WebDataset中特征存储的列式与行式方案对比

背景介绍

在深度学习训练过程中，特征工程是一个关键环节。许多场景下，特征计算成本高昂，需要避免重复计算。传统做法是将所有特征预先计算后存储，但这种方式存在两个主要问题：一是训练特定模型时可能只需要部分特征，二是新增特征时需要重写整个数据集。

存储方案对比

列式存储方案

列式存储(Column-oriented storage)将不同特征分别存储，其优势在于：

1. 灵活性高：可以按需组合不同特征
2. 扩展性好：新增特征无需重写已有数据

在WebDataset中实现列式存储的方法：

# 通过合并不同数据集的特征实现列式访问
sample = wids1[index].update(wids2[index])

然而，列式存储在深度学习场景中存在明显缺陷：

1. 数据管理复杂：需要确保各列分片对齐
2. 性能开销大：每个样本需要多次服务器往返请求
3. 存储成本高：可能需要双倍存储硬件

行式存储方案

行式存储(Row-oriented storage)将所有特征打包存储，其优势在于：

1. 数据一致性高：所有特征天然对齐
2. 访问效率高：单次请求获取全部特征
3. 存储效率高：无需冗余存储

WebDataset推荐的行式存储实践：

1. 训练前或首轮epoch期间生成完整特征集
2. 使用AIStore等工具进行预处理卸载

混合存储策略

对于特征工程中的不同数据类型，可采用混合存储策略：

1. 大型二进制特征：存储在分片的tar文件中
2. 小型标注数据：使用单一文件存储(LMDB/DBM格式推荐)

   # 使用.associate方法关联小型标注
   sample = dataset.associate(annotations_db)
   

性能优化考量

1. 分片策略：通过合理分片减少不完美洗牌的影响
2. 本地缓存：利用服务器本地NVMe SSD提升访问速度
3. 键值设计：
   • 索引(index)：数据集中的数字位置，会随洗牌变化
   • 键(key)：tar文件中样本的唯一标识符，不受洗牌影响

特殊场景处理

对于需要切片访问的场景(如只使用样本的部分特征)，当前方案存在一定局限性。可能的解决方案包括：

1. 预处理阶段提取所需切片
2. 探索WebDataset与NVIDIA DALI的集成方案
3. 权衡存储效率与访问效率的平衡点

结论

WebDataset支持列式和行式两种存储模式，但从深度学习训练效率角度考虑，推荐采用行式存储为主、混合存储为辅的策略。对于小型标注数据，可采用外部数据库关联的方式；对于大型特征数据，建议预处理生成完整特征集。实际应用中应根据数据规模、特征访问模式和训练需求选择合适的存储方案。