完美解决TensorFlow和Keras大数据量内存溢出的问题
内存溢出问题是参加kaggle比赛或者做大数据量实验的第一个拦路虎。
以前做的练手小项目导致新手产生一个惯性思维——读取训练集图片的时候把所有图读到内存中，然后分批训练。
其实这是有问题的，很容易导致OOM。现在内存一般16G，而训练集图片通常是上万张，而且RGB图，还很大，VGG16的图片一般是224x224x3，上万张图片，16G内存根本不够用。这时候又会想起——设置batch，但是那个batch的输入参数却又是图片，它只是把传进去的图片分批送到显卡，而我OOM的地方恰是那个“传进去”的图片，怎么办？
解决思路其实说来也简单，打破思维定式就好了，不是把所有图片读到内存中，而是只把所有图片的路径一次性读到内存中。
大致的解决思路为：
将上万张图片的路径一次性读到内存中，自己实现一个分批读取函数，在该函数中根据自己的内存情况设置读取图片，只把这一批图片读入内存中，然后交给模型，模型再对这一批图片进行分批训练，因为内存一般大于等于显存，所以内存的批次大小和显存的批次大小通常不相同。
下面代码分别介绍Tensorflow和Keras分批将数据读到内存中的关键函数。Tensorflow对初学者不太友好，所以我个人现阶段更习惯用它的高层APIKeras来做相关项目，下面的TF实现是之前不会用Keras分批读时候参考的一些列资料，在模型训练上仍使用Keras，只有分批读取用了TF的API。
Tensorlow
在input.py里写get_batch函数。
defget_batch(X_train,y_train,img_w,img_h,color_type,batch_size,capacity): ''' Args: X_train:trainimgpathlist y_train:trainlabelslist img_w:imagewidth img_h:imageheight batch_size:batchsize capacity:themaximumelementsinqueue Returns: X_train_batch:4Dtensor[batch_size,width,height,chanel],\ dtype=tf.float32 y_train_batch:1Dtensor[batch_size],dtype=int32 ''' X_train=tf.cast(X_train,tf.string) y_train=tf.cast(y_train,tf.int32) #makeaninputqueue input_queue=tf.train.slice_input_producer([X_train,y_train]) y_train=input_queue[1] X_train_contents=tf.read_file(input_queue[0]) X_train=tf.image.decode_jpeg(X_train_contents,channels=color_type) X_train=tf.image.resize_images(X_train,[img_h,img_w], tf.image.ResizeMethod.NEAREST_NEIGHBOR) X_train_batch,y_train_batch=tf.train.batch([X_train,y_train], batch_size=batch_size, num_threads=64, capacity=capacity) y_train_batch=tf.one_hot(y_train_batch,10) returnX_train_batch,y_train_batch
在train.py文件中训练（下面不是纯TF代码，model.fit是Keras的拟合，用纯TF的替换就好了）。
X_train_batch,y_train_batch=inp.get_batch(X_train,y_train,
img_w,img_h,color_type,
train_batch_size,capacity)
X_valid_batch,y_valid_batch=inp.get_batch(X_valid,y_valid,
img_w,img_h,color_type,
valid_batch_size,capacity)
withtf.Session()assess:
coord=tf.train.Coordinator()
threads=tf.train.start_queue_runners(coord=coord)
try:
forstepinnp.arange(max_step):
ifcoord.should_stop():
break
X_train,y_train=sess.run([X_train_batch,
y_train_batch])
X_valid,y_valid=sess.run([X_valid_batch,
y_valid_batch])
ckpt_path='log/weights-{val_loss:.4f}.hdf5'
ckpt=tf.keras.callbacks.ModelCheckpoint(ckpt_path,
monitor='val_loss',
verbose=1,
save_best_only=True,
mode='min')
model.fit(X_train,y_train,batch_size=64,
epochs=50,verbose=1,
validation_data=(X_valid,y_valid),
callbacks=[ckpt])
delX_train,y_train,X_valid,y_valid
excepttf.errors.OutOfRangeError:
print('done!')
finally:
coord.request_stop()
coord.join(threads)
sess.close()
Keras
keras文档中对fit、predict、evaluate这些函数都有一个generator，这个generator就是解决分批问题的。
关键函数：fit_generator
#读取图片函数
defget_im_cv2(paths,img_rows,img_cols,color_type=1,normalize=True):
'''
参数：
paths：要读取的图片路径列表
img_rows:图片行
img_cols:图片列
color_type:图片颜色通道
返回:
imgs:图片数组
'''
#Loadasgrayscale
imgs=[]
forpathinpaths:
ifcolor_type==1:
img=cv2.imread(path,0)
elifcolor_type==3:
img=cv2.imread(path)
#Reducesize
resized=cv2.resize(img,(img_cols,img_rows))
ifnormalize:
resized=resized.astype('float32')
resized/=127.5
resized-=1.
imgs.append(resized)
returnnp.array(imgs).reshape(len(paths),img_rows,img_cols,color_type)
获取批次函数，其实就是一个generator
defget_train_batch(X_train,y_train,batch_size,img_w,img_h,color_type,is_argumentation):
'''
参数：
X_train：所有图片路径列表
y_train:所有图片对应的标签列表
batch_size:批次
img_w:图片宽
img_h:图片高
color_type:图片类型
is_argumentation:是否需要数据增强
返回:
一个generator，x:获取的批次图片y:获取的图片对应的标签
'''
while1:
foriinrange(0,len(X_train),batch_size):
x=get_im_cv2(X_train[i:i+batch_size],img_w,img_h,color_type)
y=y_train[i:i+batch_size]
ifis_argumentation:
#数据增强
x,y=img_augmentation(x,y)
#最重要的就是这个yield，它代表返回，返回以后循环还是会继续，然后再返回。就比如有一个机器一直在作累加运算，但是会把每次累加中间结果告诉你一样，直到把所有数加完
yield({'input':x},{'output':y})
训练函数
result=model.fit_generator(generator=get_train_batch(X_train,y_train,train_batch_size,img_w,img_h,color_type,True), steps_per_epoch=1351, epochs=50,verbose=1, validation_data=get_train_batch(X_valid,y_valid,valid_batch_size,img_w,img_h,color_type,False), validation_steps=52, callbacks=[ckpt,early_stop], max_queue_size=capacity, workers=1)
就是这么简单。但是当初从0到1的过程很难熬，每天都没有进展，没有头绪，急躁占据了思维的大部，熬过了这个阶段，就会一切顺利，不是运气，而是踩过的从0到1的每个脚印累积的灵感的爆发，从0到1的脚印越多，后面的路越顺利。
以上这篇完美解决TensorFlow和Keras大数据量内存溢出的问题就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。