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致新手產(chǎn)生一個慣性思維——讀取訓練集圖片的時候把所有圖讀到內(nèi)存中，然后分批訓練。

其實這是有問題的，很容易導致OOM?，F(xiàn)在內(nèi)存一般16G，而訓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——設置batch，但是那個batch的輸入?yún)?shù)卻又是圖片，它只是把傳進去的圖片分批送到顯卡，而我OOM的地方恰是那個“傳進去”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行分批訓練，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)存中的關鍵函數(shù)。Tensorflow對初學者不太友好，所以我個人現(xiàn)階段更習慣用它的高層API Keras來做相關項目，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，在模型訓練上仍使用Keras，只有分批讀取用了TF的API。

Tensorlow

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

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: 所有圖片對應的標簽列表
        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
    返回: 
        一個generator，x: 獲取的批次圖片 y: 獲取的圖片對應的標簽
    '''
    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
                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。就比如有一個機器一直在作累加運算，但是會把每次累加中間結果告訴你一樣，直到把所有數(shù)加完
            yield({'input': x}, {'output': y})

訓練函數(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。但是當初從0到1的過程很難熬，每天都沒有進展，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。

以上內(nèi)容來自822實驗室神經(jīng)網(wǎng)絡知識分享
我們的822，我們的青春
歡迎所有熱愛知識熱愛生活的朋友和822思享實驗室一起成長，吃喝玩樂，享受知識。