tensorflow - 在 Tensorflow 中训练多个模型时如何避免过多的内存使用
问题描述
我目前正在编写一段代码,旨在解释应用不同的丢弃率如何影响跨多个数据集的通用 CNN 模型的性能。
我已经设置好了,对于每个数据集,我训练 10 个不同的模型(具有 10 个不同的退出率)总共 3 次,并记录每次运行和退出的准确性。希望这个数据框能更好地解释我所说的:
代码看起来像这样:
for i, dataset in tqdm(enumerate(datasets)):
dataset_path = pathlib.Path(args.input_folder) / dataset
ds_train, ds_test, ds_validation = loader.get_image_data_generators(dataset_path, BATCH_SIZE)
CLASS_NAMES = list(ds_train.class_indices.keys())
INPUT_SHAPE = ds_train.next()[0].shape[1:]
OUTPUT_SIZE = ds_train.next()[1].shape[1]
ds_train_size, ds_test_size, ds_validation_size = loader.get_split_sizes(dataset_path)
performance = {'dataset': [], 'dropout_rate': []}
# Pre-fill dictionary with dataset and dropout labels.
performance['dataset'] = [dataset for i in range(DROPOUT_STEPS)]
performance['dropout_rate'] = [i/DROPOUT_STEPS for i in range(DROPOUT_STEPS)]
for run_i in range(RUNS):
performance[f'run_{run_i}_acc'] = []
for i in range(DROPOUT_STEPS):
# Compute dropout rate.
dropout_rate = i / DROPOUT_STEPS
# Initialize model
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=INPUT_SHAPE))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dropout(dropout_rate))
model.add(layers.Dense(OUTPUT_SIZE, activation='softmax'))
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(
x=ds_train,
epochs=EPOCHS,
steps_per_epoch=math.ceil(ds_train_size / BATCH_SIZE),
validation_data=ds_validation,
validation_steps=math.ceil(ds_validation_size / BATCH_SIZE)
)
test_loss, test_accuracy = model.evaluate(ds_test, steps=math.ceil(ds_test_size / BATCH_SIZE))
performance[f'run_{run_i}_acc'].append(test_accuracy)
print(f'✔️ Dropout rate {dropout_rate} resulted on {test_accuracy}')
df = pd.DataFrame(performance)
print(df)
df.to_pickle(f'output/performance/{dataset}-perf.pkl')
在一些(较小的)数据集中,这运行平稳。在较大的数据集中,我的计算机的内存使用量缓慢上升,并且在某些情况下,在第二次运行时停止整个过程,抱怨没有足够的可用内存。
我将如何优化此代码,避免过多的内存使用?Tensorflow 在运行甚至退出步骤之间进行迭代时是否会保存任何临时文件?如果是这样,我如何在每个循环周期重置内存?
谢谢您的帮助。
解决方案
tf.keras.backend.clear_session()
在每个模型训练后清除内存。Keras 文档说明如下:
如果您在循环中创建多个模型,则此全局状态将随着时间的推移消耗越来越多的内存,您可能需要清除它。调用 clear_session() 释放全局状态:这有助于避免旧模型和层造成混乱,尤其是在内存有限的情况下。
推荐阅读
- angularjs - AngularJs 1.x 不使用 ng-show 或 ng-if 更新元素的可见性
- redis - 为什么 Redis 会允许客户端关闭服务器?
- jquery - 如何将弃用的 jquery bind() 转换为正确的 jquery on()
- mysql - 你如何有条件地舍入浮点数?
- php - local.ERROR: BadMethodCallException: 方法 [validateTextRequired] 不存在
- node.js - 混合时节点模块安装导致错误
- mqtt - MQTT 订阅者的更高 QoS
- presto - 如何在 Presto SQL 的 SUM 函数中使用函数 SUM()?
- python - 如何使用 Python 只抓取新链接(在上一次抓取之后)
- javascript - 如何使用 Javascript 使文本框只读