TensorFlow和Keras解決大數(shù)據(jù)量內(nèi)存溢出問題
以前做的練手小項(xiàng)目導(dǎo)致新手產(chǎn)生一個慣性思維——讀取訓(xùn)練集圖片的時候把所有圖讀到內(nèi)存中，然后分批訓(xùn)練。
其實(shí)這是有問題的，很容易導(dǎo)致OOM。現(xiàn)在內(nèi)存一般16G，而訓(xùn)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(shè)置batch，但是那個batch的輸入?yún)?shù)卻又是圖片，它只是把傳進(jìn)去的圖片分批送到顯卡，而我OOM的地方恰是那個“傳進(jìn)去”的圖片，怎么辦？
解決思路其實(shí)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(shí)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(shè)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(jìn)行分批訓(xùn)練，因?yàn)閮?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(guān)鍵函數(shù)。Tensorflow對初學(xué)者不太友好，所以我個人現(xiàn)階段更習(xí)慣用它的高層API Keras來做相關(guān)項(xiàng)目，下面的TF實(shí)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(xùn)練上仍使用Keras，只有分批讀取用了TF的API。
TensorFlow
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(xùn)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(guān)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(shí)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(yīng)的標(biāo)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(qiáng)
- 返回:
- 一個generator，
- x: 獲取的批次圖片
- y: 獲取的圖片對應(yīng)的標(biāo)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(qiáng)
- 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(jī)器一直在作累加運(yùn)算，但是會把每次累加中間結(jié)果告訴你一樣，直到把所有數(shù)加完
- yield({'input': x}, {'output': y})
訓(xùn)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(dāng)初從0到1的過程很難熬，每天都沒有進(jìn)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(yùn)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。
