你好,游客 登录
背景:
阅读新闻

TensorFlow和Keras解决大数据量内存溢出问题

[日期:2018-05-15] 来源:人工智能LeadAI  作者:刘开心_8a6c [字体: ]

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。

大数据

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=50verbose=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_typeTrue),  
         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_typeFalse), 
         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。





收藏 推荐 打印 | 录入:Cstor | 阅读:
本文评论   查看全部评论 (0)
表情: 表情 姓名: 字数
点评:
       
评论声明
  • 尊重网上道德,遵守中华人民共和国的各项有关法律法规
  • 承担一切因您的行为而直接或间接导致的民事或刑事法律责任
  • 本站管理人员有权保留或删除其管辖留言中的任意内容
  • 本站有权在网站内转载或引用您的评论
  • 参与本评论即表明您已经阅读并接受上述条款