通常,我们调用run命令并将优化器操作作为输入,以更新某些模型的可训练参数:
session.run(model.optimizer_op, feed_dict={model.X: X_batch, model.y: y_batch})但是当批处理较大时,X_batch无法装入图形处理器内存。如何拆分此任务以处理大批量?
发布于 2017-03-02 22:26:25
这主要取决于您的GPU内存大小。然而,很难将整个数据集与模型及其所需的操作(即预测概率)一起拟合。因此,您需要从不同的角度来考虑批处理。我假设你的代码是这样的:
# Model Definition
X = tf.placeholder(tf.float32, shape=[None, DIM,DIM,3], name='X')
y = tf.placeholder(tf.float32, shape=[None, N_CLASSES], name='y')
...
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
...
# Training your model
sess.run([train_step], feed_dict={X: X_batch, y: y_batch})而不是使用X和y作为train_step的feed_dict。您可以只累计所有批次的cross_entropy (即整个数据集)。然后,您可以运行一次train_step。例如:
cross_entropy_all = []
for X_batch, y_batch in batches_generator():
cross_entropy_all += sess.run([cross_entropy], feed_dict={X: X_batch, y: y_batch})
# Numpy or Tensorflow equivalent for `vstack`
cross_entropy_all = np.vstack(cross_entropy_all)
# Run the optimizer on the entire dataset (not just on a specific batch)
sess.run([train_step], feed_dict={cross_entropy: cross_entropy_all})这应该可以在不使GPU内存不足的情况下实现您的目标。建议的方法针对所有交叉熵运行优化步骤。因此,您不需要提供x和y(用于/需要生成cross_entropy,因为它已经被提供给优化步骤)。
https://stackoverflow.com/questions/42555276
复制相似问题