人工智能时代前沿技术社区

首页 > 大数据 > 热点

TensorFlow和Keras解决大数据量内存溢出问题

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OO

作者: | 2018-05-15 10:22:49 | 来源:51cto

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。

16_副本.jpg

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API Keras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。

TensorFlow

在input.py里写get_batch函数。

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)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

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 def get_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    '''    # 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)

获取批次函数,其实就是一个generator

def get_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    '''    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:                 # 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。