在 Tensorflow/Keras 中运行来自 https://github.com/pierluigiferrari/ssd_keras 的代码时，使用估算器:ssd300_evaluation。我收到此错误。
Failed to get convolution algorithm. This is probably because cuDNN failed to initialize, so try looking to see if a warning log message was printed above.
这与 Unresolved 问题非常相似:Google Colab Error : Failed to get convolution algorithm.This is probably because cuDNN failed to initialize
关于我正在运行的问题:
python :3.6.4。
Tensorflow 版本:1.12.0。
Keras 版本:2.2.4。
CUDA:V10.0。
cuDNN:V7.4.1.5。
NVIDIA GeForce GTX 1080。
我也跑了:
import tensorflow as tf
with tf.device('/gpu:0'):
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
with tf.Session() as sess:
print (sess.run(c))
没有错误或问题。
最简单的例子是:
from keras import backend as K
from keras.models import load_model
from keras.optimizers import Adam
from scipy.misc import imread
import numpy as np
from matplotlib import pyplot as plt
from models.keras_ssd300 import ssd_300
from keras_loss_function.keras_ssd_loss import SSDLoss
from keras_layers.keras_layer_AnchorBoxes import AnchorBoxes
from keras_layers.keras_layer_DecodeDetections import DecodeDetections
from keras_layers.keras_layer_DecodeDetectionsFast import DecodeDetectionsFast
from keras_layers.keras_layer_L2Normalization import L2Normalization
from data_generator.object_detection_2d_data_generator import DataGenerator
from eval_utils.average_precision_evaluator import Evaluator
import tensorflow as tf
%matplotlib inline
import keras
keras.__version__
# Set a few configuration parameters.
img_height = 300
img_width = 300
n_classes = 20
model_mode = 'inference'
K.clear_session() # Clear previous models from memory.
model = ssd_300(image_size=(img_height, img_width, 3),
n_classes=n_classes,
mode=model_mode,
l2_regularization=0.0005,
scales=[0.1, 0.2, 0.37, 0.54, 0.71, 0.88, 1.05], # The scales
for MS COCO [0.07, 0.15, 0.33, 0.51, 0.69, 0.87, 1.05]
aspect_ratios_per_layer=[[1.0, 2.0, 0.5],
[1.0, 2.0, 0.5, 3.0, 1.0/3.0],
[1.0, 2.0, 0.5, 3.0, 1.0/3.0],
[1.0, 2.0, 0.5, 3.0, 1.0/3.0],
[1.0, 2.0, 0.5],
[1.0, 2.0, 0.5]],
two_boxes_for_ar1=True,
steps=[8, 16, 32, 64, 100, 300],
offsets=[0.5, 0.5, 0.5, 0.5, 0.5, 0.5],
clip_boxes=False,
variances=[0.1, 0.1, 0.2, 0.2],
normalize_coords=True,
subtract_mean=[123, 117, 104],
swap_channels=[2, 1, 0],
confidence_thresh=0.01,
iou_threshold=0.45,
top_k=200,
nms_max_output_size=400)
# 2: Load the trained weights into the model.
# TODO: Set the path of the trained weights.
weights_path = 'C:/Users/USAgData/TF SSD
Keras/weights/VGG_VOC0712Plus_SSD_300x300_iter_240000.h5'
model.load_weights(weights_path, by_name=True)
# 3: Compile the model so that Keras won't complain the next time you load it.
adam = Adam(lr=0.001, beta_1=0.9, beta_2=0.999, epsilon=1e-08, decay=0.0)
ssd_loss = SSDLoss(neg_pos_ratio=3, alpha=1.0)
model.compile(optimizer=adam, loss=ssd_loss.compute_loss)
dataset = DataGenerator()
# TODO: Set the paths to the dataset here.
dir= "C:/Users/USAgData/TF SSD Keras/VOC/VOCtest_06-Nov-2007/VOCdevkit/VOC2007/"
Pascal_VOC_dataset_images_dir = dir+ 'JPEGImages'
Pascal_VOC_dataset_annotations_dir = dir + 'Annotations/'
Pascal_VOC_dataset_image_set_filename = dir+'ImageSets/Main/test.txt'
# The XML parser needs to now what object class names to look for and in which order to map them to integers.
classes = ['background',
'aeroplane', 'bicycle', 'bird', 'boat',
'bottle', 'bus', 'car', 'cat',
'chair', 'cow', 'diningtable', 'dog',
'horse', 'motorbike', 'person', 'pottedplant',
'sheep', 'sofa', 'train', 'tvmonitor']
dataset.parse_xml(images_dirs=[Pascal_VOC_dataset_images_dir],
image_set_filenames=[Pascal_VOC_dataset_image_set_filename],
annotations_dirs=[Pascal_VOC_dataset_annotations_dir],
classes=classes,
include_classes='all',
exclude_truncated=False,
exclude_difficult=False,
ret=False)
evaluator = Evaluator(model=model,
n_classes=n_classes,
data_generator=dataset,
model_mode=model_mode)
results = evaluator(img_height=img_height,
img_width=img_width,
batch_size=8,
data_generator_mode='resize',
round_confidences=False,
matching_iou_threshold=0.5,
border_pixels='include',
sorting_algorithm='quicksort',
average_precision_mode='sample',
num_recall_points=11,
ignore_neutral_boxes=True,
return_precisions=True,
return_recalls=True,
return_average_precisions=True,
verbose=True)
最佳答案
由于三种不同的原因和不同的解决方案，我看到了此错误消息:
1。你有缓存问题
我经常通过关闭我的 python 进程来解决这个错误，删除 ~/.nv 目录(在 linux 上，rm -rf ~/.nv)，并重新启动 Python 进程。我不完全知道为什么会这样。它可能至少部分与第二个选项相关:
2。你内存不足
如果显卡 RAM 不足，也会出现此错误。对于 nvidia GPU，您可以使用 nvidia-smi 检查显卡内存使用情况。这将为您提供正在使用的 GPU RAM 的读数(如果您几乎达到极限，则类似于 6025MiB/6086MiB)以及正在使用 GPU RAM 的进程列表。
如果您的 RAM 已用完，则需要重新启动该进程(这应该会释放 RAM)，然后采取占用内存较少的方法。一些选项是:
- 减少批量大小
- 使用更简单的模型
- 使用更少的数据
- 限制 TensorFlow GPU 内存分数:例如，以下内容将确保 TensorFlow 使用 <= 90% 的 RAM:
import keras
import tensorflow as tf
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.9 # 0.6 sometimes works better for folks
keras.backend.tensorflow_backend.set_session(tf.Session(config=config))
如果不与上述项目一起使用，这可能会减慢您的模型评估速度，大概是因为必须换入和换出大数据集以适应您分配的少量内存。
第二种选择是让 TensorFlow 开始时只使用最少的内存，然后根据需要分配更多内存(已记录 here):
os.environ['TF_FORCE_GPU_ALLOW_GROWTH'] = 'true'
3。您的 CUDA、TensorFlow、NVIDIA 驱动程序等版本不兼容。
如果您从未使用过类似的模型，您没有用完 VRAM 并且您的缓存是干净的，我会返回并使用最佳可用安装设置 CUDA + TensorFlow指南 - 按照 https://www.tensorflow.org/install/gpu 上的说明进行操作，我取得了最大的成功。而不是 NVIDIA/CUDA 网站上的那些。 Lambda Stack也是一个不错的选择。
关于python - 获取卷积算法失败。这可能是因为 cuDNN 初始化失败，，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/53698035/