cifar-10 每张图片的大小为 32×32,而 AlexNet 要求图片的输入是 224×224(也有说 227×227 的,这是 224×224 的图片进行大小为 2 的 zero padding 的结果),所以一种做法是将 cifar-10 数据集的图片 resize 到 224×224。(当然,更好的做法是修改输入层大小,并且适当对 filter 大小进行修改,可以参考 cifar10_cnn.py,虽然 cifar10_cnn.py 中的网络不是 AlexNet。)

此时遇到的问题是,cifar-10 resize 到 224×224 时,32G 内存都将无法完全加载所有数据,在归一化那一步(即每个像素点除以 255)就将发生 OOM(out of memory)。

那么此时的做法有:

1)将 resize 作为模型的一部分,如设置一个 layer 来对一个 batch 的图像进行 resize,这样 32×32 的 cifar-10 仍然可以完全加载到内存中;

2)一种通用的方法,每次只加载一部分数据到内存中,其余数据等到需要的时候再加载到内存。

注:本文 AlexNet 结构与 PyTorch 中一致。AlexNet in pytorch/vision

方法 1:加上一个 Lambda 层,对输入图片进行 resize

import tensorflow as tf
from tensorflow.keras import layers
from tensorflow.python.keras import backend as K K.clear_session()
config = tf.ConfigProto()
config.gpu_options.allow_growth = True # 不全部占满显存, 按需分配
K.set_session(tf.Session(config=config)) # 超参数
learning_rate = 0.001
epochs = 120
batch_size = 32 cifar10 = tf.keras.datasets.cifar10
(x_train, y_train), (x_test, y_test) = cifar10.load_data() x_train = x_train.astype(np.float32)
x_test = x_test.astype(np.float32) x_train = x_train / 255
x_test = x_test / 255 model = tf.keras.models.Sequential([
# Lambda 层,对输入图片进行 resize,以下是将图片扩大了 7 倍
# resize 时,默认使用最近邻插值,想要用其它插值方式,需要直接修改 K.resize_images 方法的源代码。
layers.Lambda(lambda img: K.resize_images(img, 7, 7, data_format='channels_last'), input_shape=(32, 32, 3)),
layers.ZeroPadding2D(padding=(2, 2)),
layers.Conv2D(64, (11, 11), strides=(4, 4), padding='valid', activation='relu',
kernel_initializer='he_uniform'),
layers.MaxPooling2D(pool_size=(3, 3), strides=(2, 2)), layers.Conv2D(192, (5, 5), strides=(1, 1), padding='same', activation='relu',
kernel_initializer='he_uniform'),
layers.MaxPooling2D(pool_size=(3, 3), strides=(2, 2)), layers.Conv2D(384, (3, 3), strides=(1, 1), padding='same', activation='relu',
kernel_initializer='he_uniform'),
layers.Conv2D(256, (3, 3), strides=(1, 1), padding='same', activation='relu',
kernel_initializer='he_uniform'),
layers.Conv2D(256, (3, 3), strides=(1, 1), padding='same', activation='relu',
kernel_initializer='he_uniform'),
layers.MaxPooling2D(pool_size=(3, 3), strides=(2, 2)), layers.Flatten(), layers.Dense(4096, activation='relu', kernel_initializer='he_uniform'),
layers.Dropout(drop_rate),
layers.Dense(4096, activation='relu', kernel_initializer='he_uniform'),
layers.Dropout(drop_rate),
layers.Dense(num_classes, activation='softmax', kernel_initializer='he_uniform')
]) model.summary() model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy']) model.fit(x_train, y_train,
epochs=epochs,
batch_size=batch_size,
verbose=2,
validation_data=(x_val, y_val))

方法 2:使用 tensorflow.keras.utils.Sequence,构造一个 data generator

import tensorflow as tf
from tensorflow.keras import layers
from tensorflow.python.keras import backend as K
from tensorflow.keras.utils import Sequence from sklearn.model_selection import StratifiedShuffleSplit import cv2
import os
import numpy as np
import h5py
import time class CIFAR10Sequence(Sequence):
def __init__(self, x_set, y_set, batch_size):
"""
:param x_set: hdf5
:param y_set: hdf5
:param batch_size: int
"""
self.x, self.y = x_set, y_set
self.batch_size = batch_size def __len__(self):
return int(np.ceil(len(self.x) / float(self.batch_size))) def __getitem__(self, idx):
batch_x = self.x[idx * self.batch_size:(idx + 1) * self.batch_size]
batch_y = self.y[idx * self.batch_size:(idx + 1) * self.batch_size] batch_x = batch_x.astype(np.float32)
batch_x = batch_x / 255 return batch_x, batch_y def _resized_data():
"""
将 resize 后的 cifar-10 保存到 'data/cifar-10.h5'
图片大小: [224, 224, 3]
:return: None
"""
cifar10 = tf.keras.datasets.cifar10 (x_train, y_train), (x_test, y_test) = cifar10.load_data() start_time = time.clock() x_train = np.array([cv2.resize(img, (224, 224), interpolation=cv2.INTER_CUBIC) for img in x_train])
x_test = np.array([cv2.resize(img, (224, 224), interpolation=cv2.INTER_CUBIC) for img in x_test]) # initialize
x_val = np.array([])
y_val = np.array([]) sss = StratifiedShuffleSplit(n_splits=1, test_size=0.1, random_state=32)
for train_index, val_index in sss.split(x_train, y_train):
print("TRAIN:", train_index, "VAL:", val_index)
x_train, x_val = x_train[train_index], x_train[val_index]
y_train, y_val = y_train[train_index], y_train[val_index] end_time = time.clock()
print('Time consuming of resizing: ', (end_time - start_time)) # 写文件
filename = 'data/cifar-10.h5'
h5f = h5py.File(filename, 'w')
h5f.create_dataset('x_train', data=x_train)
h5f.create_dataset('y_train', data=y_train)
h5f.create_dataset('x_val', data=x_val)
h5f.create_dataset('y_val', data=y_val)
h5f.create_dataset('x_test', data=x_test)
h5f.create_dataset('y_test', data=y_test)
h5f.close() def load_resized_data(filename='data/cifar-10.h5'):
if not os.path.exists(filename):
_resized_data() # 不要关闭 h5 文件,否则将无法读取数据,这一步并不会直接将数据加载到内存中
# h5 文件支持切片读取,而且也很快
h5f = h5py.File(filename, 'r')
x_train = h5f['x_train']
y_train = h5f['y_train']
x_val = h5f['x_val']
y_val = h5f['y_val']
x_test = h5f['x_test']
y_test = h5f['y_test'] return (x_train, y_train), (x_val, y_val), (x_test, y_test) K.clear_session()
config = tf.ConfigProto()
config.gpu_options.allow_growth = True # 不全部占满显存, 按需分配
K.set_session(tf.Session(config=config)) # 超参数
learning_rate = 0.001
epochs = 120
batch_size = 32 (x_train, y_train), (x_val, y_val), (x_test, y_test) = load_resized_data() x_val = x_val.astype(np.float32)
x_test = x_test.astype(np.float32) x_val = x_val / 255
x_test = x_test / 255 model = tf.keras.models.Sequential([
layers.ZeroPadding2D(padding=(2, 2), input_shape=(224, 224, 3)),
layers.Conv2D(64, (11, 11), strides=(4, 4), padding='valid', activation='relu',
kernel_initializer='he_uniform'),
layers.MaxPooling2D(pool_size=(3, 3), strides=(2, 2)), layers.Conv2D(192, (5, 5), strides=(1, 1), padding='same', activation='relu',
kernel_initializer='he_uniform'),
layers.MaxPooling2D(pool_size=(3, 3), strides=(2, 2)), layers.Conv2D(384, (3, 3), strides=(1, 1), padding='same', activation='relu',
kernel_initializer='he_uniform'),
layers.Conv2D(256, (3, 3), strides=(1, 1), padding='same', activation='relu',
kernel_initializer='he_uniform'),
layers.Conv2D(256, (3, 3), strides=(1, 1), padding='same', activation='relu',
kernel_initializer='he_uniform'),
layers.MaxPooling2D(pool_size=(3, 3), strides=(2, 2)), layers.Flatten(), layers.Dense(4096, activation='relu', kernel_initializer='he_uniform'),
layers.Dropout(drop_rate),
layers.Dense(4096, activation='relu', kernel_initializer='he_uniform'),
layers.Dropout(drop_rate),
layers.Dense(num_classes, activation='softmax', kernel_initializer='he_uniform')
]) model.summary() model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy']) # shuffle 默认为 True, 意味着在训练一个 epoch 之后,CIFAR10Sequence 的 idx 会随机选择,而不是顺序选择,这样在 batch-level 进行了随机,一个 batch 内的样本顺序是固定的
model.fit_generator(CIFAR10Sequence(x_train, y_train, batch_size=batch_size),
# steps_per_epoch=int(np.ceil(len(x_train)/batch_size)),
epochs=epochs,
verbose=2,
callbacks=None,
validation_data=(x_val[:], y_val[:]))

References

class CIFAR10Sequence(Sequence) -- github

keras.utils.Sequence()

AlexNet in pytorch/vision

【tf.keras】在 cifar 上训练 AlexNet,数据集过大导致 OOM的更多相关文章

  1. [Tensorflow] 使用 tf.keras.utils.get_file() 下载 MS-COCO 2014 数据集

    import argparse import tensorflow as tf tf.enable_eager_execution() def main(args): ""&quo ...

  2. Keras学习:试用卷积-训练CIFAR-10数据集

    import numpy as np import cPickle import keras as ks from keras.layers import Dense, Activation, Fla ...

  3. 【tf.keras】使用手册

    目录 0. 简介 1. 安装 1.1 安装 CUDA 和 cuDNN 2. 数据集 2.1 使用 tensorflow_datasets 导入公共数据集 2.2 数据集过大导致内存溢出 2.3 加载 ...

  4. 使用Keras进行多GPU训练 multi_gpu_model

    使用Keras训练具有多个GPU的深度神经网络(照片来源:Nor-Tech.com). 摘要 在今天的博客文章中,我们学习了如何使用多个GPU来训练基于Keras的深度神经网络. 使用多个GPU使我们 ...

  5. 【tf.keras】tf.keras加载AlexNet预训练模型

    目录 从 PyTorch 中导出模型参数 第 0 步:配置环境 第 1 步:安装 MMdnn 第 2 步:得到 PyTorch 保存完整结构和参数的模型(pth 文件) 第 3 步:导出 PyTorc ...

  6. 基于tensorflow2.0 使用tf.keras实现Fashion MNIST

    本次使用的是2.0测试版,正式版估计会很快就上线了 tf2好像更新了蛮多东西 虽然教程不多 还是找了个试试 的确简单不少,但是还是比较喜欢现在这种写法 老样子先导入库 import tensorflo ...

  7. TensorFlow2.0(11):tf.keras建模三部曲

    .caret, .dropup > .btn > .caret { border-top-color: #000 !important; } .label { border: 1px so ...

  8. 一文上手Tensorflow2.0之tf.keras(三)

    系列文章目录: Tensorflow2.0 介绍 Tensorflow 常见基本概念 从1.x 到2.0 的变化 Tensorflow2.0 的架构 Tensorflow2.0 的安装(CPU和GPU ...

  9. 1.keras实现-->使用预训练的卷积神经网络(VGG16)

    VGG16内置于Keras,可以通过keras.applications模块中导入. --------------------------------------------------------将 ...

随机推荐

  1. WPF控件深拷贝:序列化/反序列化

    原文:WPF控件深拷贝:序列化/反序列化 今天DebugLZQ在做WPF拖动总结的时候,遇到了这个问题.baidu了下,貌似没有解决这个问题的权威答案,遂写下这篇博文. 我想做的事情是:拖动一个窗体内 ...

  2. Win8 Metro(C#)数字图像处理--2.67图像最大值滤波器

    原文:Win8 Metro(C#)数字图像处理--2.67图像最大值滤波器  [函数名称]   最大值滤波器WriteableBitmap MaxFilterProcess(WriteableBi ...

  3. Windows 10开发基础——XML和JSON (二)

    主要内容: Linq to XML Newtonsoft.Json.Linq来解析JSON 博客园RSS(http://www.cnblogs.com/rss)的解析 UWP调用自己实现的Web AP ...

  4. 2018-4-25 1.如何在GitHub上新建一个新的项目并下载该项目及如何提交新的文件

  5. Win10《芒果TV》更新v3.8.70周年版:升级高级配色、自动切换夜间模式

    官宣!光阴似箭,已过三年时光,我们一起从最初的青涩变成更加成熟起来,同呼吸共命运,匠心依旧,感恩有你,Win10版<芒果TV>全平台同步更新周年版v3.8.70,升级高级配色,新增自动切换 ...

  6. Win10《芒果TV》商店版更新v3.2.3:新增应用内意见反馈、播放重试、透明磁贴

    在2016圣诞节临近之际,<芒果TV>UWP版迅速更新v3.2.3版,主要是新增应用内意见反馈提交功能.播放重试.透明磁贴.动态磁贴等功能,进一步优化稳定性.视觉细节.运行速度. 芒果TV ...

  7. 错误代码: 0x800700b7 配置错误:定义了重复的“system.web.extensions/scripting/scriptResourceHandler”节

    操作环境:Windows 8.1  IIS8.5 VS2008 解决方法: 把应用程序池的.Net CLR 版本从4.0修改为2.0即可.如下图所示:

  8. C# 如何使用 Sql Server Compact 数据库

    Sql Server Compact Edition(简称SqlCE)是一个轻量级的数据库,对于放在客户机上的程序而有需要存储数据这样的环境,使用SqlCE再合适不过了.SqlCE可以通过在VS(Vi ...

  9. [VS]VS2017 安装ReportDesigner/ReportViewer的方法

    原文:[VS]VS2017 安装ReportDesigner/ReportViewer的方法 解决安装完VS2017后,无法用ReportDesigner/ReportViewer打开.rdlc文件V ...

  10. delphi常用正则表达式

    function checkanystr(str: string; mytype: integer):Boolean;var  myper: TPerlRegEx;  areg: string;beg ...