|
內(nèi)存溢出問題是參加kaggle比賽或者做大數(shù)據(jù)量實驗的第一個攔路虎,。
以前做的練手小項目導(dǎo)致新手產(chǎn)生一個慣性思維——讀取訓(xùn)練集圖片的時候把所有圖讀到內(nèi)存中，然后分批訓(xùn)練,。
其實這是有問題的,，很容易導(dǎo)致OOM。現(xiàn)在內(nèi)存一般16G,，而訓(xùn)練集圖片通常是上萬張,，而且RGB圖，還很大,，VGG16的圖片一般是224x224x3,，上萬張圖片,，16G內(nèi)存根本不夠用。這時候又會想起——設(shè)置batch,，但是那個batch的輸入?yún)?shù)卻又是圖片,，它只是把傳進(jìn)去的圖片分批送到顯卡，而我OOM的地方恰是那個“傳進(jìn)去”的圖片,，怎么辦,？
解決思路其實說來也簡單，打破思維定式就好了,，不是把所有圖片讀到內(nèi)存中,，而是只把所有圖片的路徑一次性讀到內(nèi)存中。
大致的解決思路為：
將上萬張圖片的路徑一次性讀到內(nèi)存中,，自己實現(xiàn)一個分批讀取函數(shù),，在該函數(shù)中根據(jù)自己的內(nèi)存情況設(shè)置讀取圖片，只把這一批圖片讀入內(nèi)存中,，然后交給模型,，模型再對這一批圖片進(jìn)行分批訓(xùn)練，因為內(nèi)存一般大于等于顯存,，所以內(nèi)存的批次大小和顯存的批次大小通常不相同,。
下面代碼分別介紹Tensorflow和Keras分批將數(shù)據(jù)讀到內(nèi)存中的關(guān)鍵函數(shù)。Tensorflow對初學(xué)者不太友好,，所以我個人現(xiàn)階段更習(xí)慣用它的高層API Keras來做相關(guān)項目,，下面的TF實現(xiàn)是之前不會用Keras分批讀時候參考的一些列資料，在模型訓(xùn)練上仍使用Keras,，只有分批讀取用了TF的API,。
在input.py里寫get_batch函數(shù)。
def get_batch(X_train, y_train, img_w, img_h, color_type, batch_size, capacity):
'''
Args:
X_train: train img path list
y_train: train labels list
img_w: image width
img_h: image height
batch_size: batch size
capacity: the maximum elements in queue
Returns:
X_train_batch: 4D tensor [batch_size, width, height, chanel],\
dtype=tf.float32
y_train_batch: 1D tensor [batch_size], dtype=int32
'''
X_train = tf.cast(X_train, tf.string)
y_train = tf.cast(y_train, tf.int32)
# make an input queue
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) return X_train_batch, y_train_batch
在train.py文件中訓(xùn)練（下面不是純TF代碼,，model.fit是Keras的擬合,，用純TF的替換就好了）。
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)with tf.Session() as sess:
coord = tf.train.Coordinator()
threads = tf.train.start_queue_runners(coord=coord) try: for step in np.arange(max_step): if coord.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])
del X_train, y_train, X_valid, y_valid except tf.errors.OutOfRangeError:
print('done!') finally:
coord.request_stop()
coord.join(threads)
sess.close()
keras文檔中對fit,、predict,、evaluate這些函數(shù)都有一個generator，這個generator就是解決分批問題的,。
關(guān)鍵函數(shù)：fit_generator
# 讀取圖片函數(shù) def get_im_cv2(paths, img_rows, img_cols, color_type=1, normalize=True):
'''
參數(shù)：
paths：要讀取的圖片路徑列表
img_rows:圖片行
img_cols:圖片列
color_type:圖片顏色通道
返回:
imgs: 圖片數(shù)組
'''
# Load as grayscale
imgs = [] for path in paths: if color_type == 1:
img = cv2.imread(path, 0) elif color_type == 3:
img = cv2.imread(path) # Reduce size
resized = cv2.resize(img, (img_cols, img_rows)) if normalize:
resized = resized.astype('float32')
resized /= 127.5
resized -= 1.
imgs.append(resized)
return np.array(imgs).reshape(len(paths), img_rows, img_cols, color_type)
獲取批次函數(shù),，其實就是一個generator
def get_train_batch(X_train, y_train, batch_size, img_w, img_h, color_type, is_argumentation):
'''
參數(shù)：
X_train：所有圖片路徑列表
y_train: 所有圖片對應(yīng)的標(biāo)簽列表
batch_size:批次
img_w:圖片寬
img_h:圖片高
color_type:圖片類型
is_argumentation:是否需要數(shù)據(jù)增強(qiáng)
返回:
一個generator， x: 獲取的批次圖片 y: 獲取的圖片對應(yīng)的標(biāo)簽
'''
while 1: for i in range(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] if is_argumentation: # 數(shù)據(jù)增強(qiáng)
x, y = img_augmentation(x, y) # 最重要的就是這個yield,，它代表返回,，返回以后循環(huán)還是會繼續(xù)，然后再返回,。就比如有一個機(jī)器一直在作累加運算,，但是會把每次累加中間結(jié)果告訴你一樣,，直到把所有數(shù)加完
yield({'input': x}, {'output': y})
訓(xùn)練函數(shù)
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)
就是這么簡單。但是當(dāng)初從0到1的過程很難熬,，每天都沒有進(jìn)展,，沒有頭緒，急躁占據(jù)了思維的大部,，熬過了這個階段,，就會一切順利，不是運氣,，而是踩過的從0到1的每個腳印累積的靈感的爆發(fā),，從0到1的腳印越多，后面的路越順利,。
|
