首页 文章

tensorflow - 在大批量上运行优化器操作

提问于
浏览 次
0

通常，我们使用优化器操作调用run命令作为输入来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})

但是当批量大小时，X_batch无法适应GPU内存 . 如何拆分此任务以处理大批量？

python memory tensorflow

1 回答

  • 0

    这主要取决于您的GPU内存大小 . 但是，很难将整个数据集与模型及其所需的操作（即预测概率）相匹配 . 因此，您需要考虑以不同的角度进行批处理 . 我假设你的代码遵循这些方针：

    # 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 feed_dict 到 train_step . 您可以为所有批次（即整个数据集）累积 cross_entropy . 然后，您可以运行 train_step 一次 . 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})

    这应该可以实现您的目标，而无需运行GPU内存 . 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（生成 cross_entropy 所使用/需要的，因为它已经被提供给优化步骤） .

    回复于

相关问题