🎄teratailクリスマスプレゼントキャンペーン2024🎄』開催中!

\teratail特別グッズやAmazonギフトカード最大2,000円分が当たる!/

詳細はこちら
深層学習

深層学習は、多数のレイヤのニューラルネットワークによる機械学習手法。人工知能研究の一つでディープラーニングとも呼ばれています。コンピューター自体がデータの潜在的な特徴を汲み取り、効率的で的確な判断を実現することができます。

Google Colaboratory

Google Colaboratoryとは、無償のJupyterノートブック環境。教育や研究機関の機械学習の普及のためのGoogleの研究プロジェクトです。PythonやNumpyといった機械学習で要する大方の環境がすでに構築されており、コードの記述・実行、解析の保存・共有などが可能です。

Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

Q&A

解決済

2回答

3314閲覧

Google Colaboratory上で大量のファイルを参照(open(), .read)しようとすると、動かなくなります

magi201903

総合スコア29

深層学習

深層学習は、多数のレイヤのニューラルネットワークによる機械学習手法。人工知能研究の一つでディープラーニングとも呼ばれています。コンピューター自体がデータの潜在的な特徴を汲み取り、効率的で的確な判断を実現することができます。

Google Colaboratory

Google Colaboratoryとは、無償のJupyterノートブック環境。教育や研究機関の機械学習の普及のためのGoogleの研究プロジェクトです。PythonやNumpyといった機械学習で要する大方の環境がすでに構築されており、コードの記述・実行、解析の保存・共有などが可能です。

Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

1グッド

2クリップ

投稿2019/04/01 16:25

編集2019/04/01 16:52

前提・実現したいこと

Google Colaboratory上でpythonによる深層学習のコードを書いています。肯定的、否定的という二値のラベルが付いた映画レビューをリストにまとめるコードです。

具体的に言うと、IMDb(Internet Movie Database)データをテキストとしてダウンロードして展開し、個々の映画レビューを文字列のリスト(texts)にまとめ、映画レビューのラベル(肯定的、否定的)をlabelsリストにまとめます。

しかし、参考書に書いてある通りにコードを実行するのですが、エラーが出るか、実行中状態が続き、完了しません。同じ操作を何度か実行するのですが、完了はしません。コードをどう改造すれば良いですか?

恐らく参照するファイルが25000個(1フォルダに12500個。それが2フォルダあります)あり、数が膨大なためだと思います。GoogleColaboratoryのよくある質問に「Google ドライブのオペレーションは、フォルダ内のファイル数やサブフォルダ数が増えすぎるとタイムアウトすることがあります。」と書いてありました。

しかし今後、大量のファイルを使った深層学習をGoogle Colaboratory上で行いたいと考えています。研究や業務でGoogle Colaboratryを使い、大量のファイルを操作している人もいるはずです。どうすれば、それが可能になるか教えてください。

発生している問題・エラーメッセージ

エラーの場合、以下のような文言が出ます。

OSError: [Errno 5] Input/output error: 'drive/My Drive/Colab Notebooks/aclImdb/train/neg/' site:stackoverflow.com

該当のソースコード

python

1from google.colab import drive 2drive.mount('/content/drive') 3 4import os 5 6imdb_dir = 'drive/My Drive/Colab Notebooks/aclImdb' 7train_dir = os.path.join(imdb_dir, 'train') 8 9labels = [] 10texts = [] 11 12for label_type in ['neg', 'pos']: 13 dir_name = os.path.join(train_dir, label_type) 14 for fname in os.listdir(dir_name): 15 if fname[-4:] == '.txt': 16 f = open(os.path.join(dir_name, fname)) 17 texts.append(f.read()) 18 f.close() 19 if label_type == 'neg': 20 labels.append(0) 21 else: 22 labels.append(1)

試したこと

■「よくある質問」に以下のことが書いていました。(https://research.google.com/colaboratory/faq.html#drive-timeout)
Google ドライブのオペレーションは、フォルダ内のファイル数やサブフォルダ数が増えすぎるとタイムアウトすることがあります。数千件ものアイテムが最上位の「マイドライブ」フォルダの直下にあると、ドライブのマウント処理がタイムアウトする可能性が高くなります。

そこで、最上位のマイドライブフォルダ直下には計10個のフォルダとファイルしか置いていません。その状態でコードを実行しましたが、症状は改善されませんでした。

■一気に12500ファイルに順番にアクセスするコードが駄目なのかと思い、ファイルを1個ずつの束にして、1束ずつアクセスするように、コードを下記のように書き直しました。しかし、失敗しました。

ただし、1フォルダ当たりの中身をファイル500個に減らして(つまり2フォルダでファイル1000個)、下記のコードを実行すると成功しました。(ちなみに、最初に書いたコードを実行すると失敗。つまり、1個ずつの束にすることに、意味はあったのかなと考えています)

python

1from google.colab import drive 2drive.mount('/content/drive') 3 4import os 5import math 6 7def split_list(l, n): 8 for idx in range(0, len(l), n): 9 yield l[idx:idx + n] 10 11imdb_dir = 'drive/My Drive/Colab Notebooks/aclImdb' 12train_dir = os.path.join(imdb_dir, 'train') 13 14labels = [] 15texts = [] 16dir_name = [] 17result = [] 18 19for label_type in ['neg', 'pos']: 20 dir_name = os.path.join(train_dir, label_type) 21 #dir_nameを1fileずつのbatchに加工します 22 result = list(split_list(os.listdir(dir_name), 1)) 23 for x in result: 24 for fname in x: 25 # print(fname) 26 if fname[-4:] == '.txt': 27 f = open(os.path.join(dir_name, fname)) 28 texts.append(f.read()) 29 f.close() 30 if label_type == 'neg': 31 labels.append(0) 32 else: 33 labels.append(1)

補足情報(FW/ツールのバージョンなど)

参考書は『PythonとKerasによるディープラーニング』。コードは下記URLのIn [6]です。タイトルは「Download the IMDB data as raw text」

https://github.com/fchollet/deep-learning-with-python-notebooks/blob/master/6.1-using-word-embeddings.ipynb

KotaYoneda👍を押しています

気になる質問をクリップする

クリップした質問は、後からいつでもMYページで確認できます。

またクリップした質問に回答があった際、通知やメールを受け取ることができます。

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

guest

回答2

0

自己解決

以下の手順で自己解決しました。
1.GoogleColab上ではなく、ローカルのパソコン上でPythonを使い、IMDbデータをhdf5に保存する
2.1のhdf5ファイルをGoogleDriveにアップロードする
3.2のhdf5ファイルをPythonを使い、リストに格納する

各サイトで見つけたコードをつぎはぎしたので、汚いかもしれませんが、コードを以下に記します

1.IMDbデータをhdf5に保存する

Python

1import os 2import h5py 3 4# ●にIMDbのフォルダがあるパスを入力します 5# 私はWindows8でjupyter labを使っています。パス名を要素に分割するためにオペレーティングシステムで 6# 利用されている文字、Windowsでは '\'があります。それをos.sepを使い'/'に置き換えます。 7imdb_dir = '●'.replace('/', os.sep) 8train_dir = os.path.join(imdb_dir, 'train') 9 10labels = [] 11texts = [] 12 13for label_type in ['neg', 'pos']: 14 dir_name = os.path.join(train_dir, label_type) 15 for fname in os.listdir(dir_name): 16 if fname[-4:] == '.txt': 17 18 # 私のPCでは読み込みテキストをutf-8_sigにしないと作動しません。 19 f = open(os.path.join(dir_name, fname),encoding="utf-8_sig") 20 texts.append(f.read()) 21 f.close() 22 if label_type == 'neg': 23 labels.append(0) 24 else: 25 labels.append(1) 26 # 25000個のファイルの処理が約7分で完了しました。 27 28# texts listをasciiでエンコードしてリストに代入すると成功します 29# textsをutf-8でエンコードした場合は失敗しました。h5pyはasciiを基本のencodeと考えているのでし 30# ょうか 31asciitexts = [n.encode("ascii", "ignore") for n in texts] 32output_file = "imdb.h5" 33with h5py.File(output_file, 'w') as f: 34 35 f.create_dataset('labels', data=labels) 36 f.create_dataset('texts', data=asciitexts) 37  # 約10秒で処理が完了しました。

2.hdf5ファイルをPythonを使い、リストに格納する

Python

1import h5py 2# ●にimdb.h5のパスを入力します 3with h5py.File("●", "r") as f: 4 h5_labels = f["labels"][()] #[()]は.valueの代わり 5 h5_texts = f["texts"][()] 6 7labels = h5_labels.tolist() 8texts = h5_texts.tolist() 9texts = [n.decode('utf-8') for n in texts] # utf-8でtextsリストをデコード。

投稿2019/04/04 17:40

magi201903

総合スコア29

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

0

IMDb の展開を Googleドライブの方でせずに、Googleドライブの方は1個のgzファイルのままにしておいて、Google Colaboratoryの方にそのファイルをコピーしてから展開したらどうですか。ローカルのディスクであれば、25000個のファイルがあっても何の問題もなく処理できます。

投稿2019/04/04 00:14

YasuhiroNiji

総合スコア584

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

magi201903

2020/11/03 12:53

回答ありがとうございます!
guest

あなたの回答

tips

太字

斜体

打ち消し線

見出し

引用テキストの挿入

コードの挿入

リンクの挿入

リストの挿入

番号リストの挿入

表の挿入

水平線の挿入

プレビュー

15分調べてもわからないことは
teratailで質問しよう!

ただいまの回答率
85.36%

質問をまとめることで
思考を整理して素早く解決

テンプレート機能で
簡単に質問をまとめる

質問する

関連した質問