python - tensorflow:我的 .tfrecords 文件有什么问题？

Question

今天我做了一个.tfrecords与我的图像文件。图像的宽度是2048，高度是1536。所有图像都差不多5.1GB，但是当我用它来制作.tfrecords时，差不多 137 GB!更重要的是，当我用它来训练时，我收到类似 CUDA_ERROR_OUT_OF_MEMORY 的错误。 这是错误:

Total memory: 10.91GiB
Free memory: 10.45GiB
I tensorflow/core/common_runtime/gpu/gpu_device.cc:906] DMA: 0 
I tensorflow/core/common_runtime/gpu/gpu_device.cc:916] 0:   Y 
I tensorflow/core/common_runtime/gpu/gpu_device.cc:975] Creating TensorFlow device (/gpu:0) -> (device: 0, name: Graphics Device, pci bus id: 0000:01:00.0)
E tensorflow/stream_executor/cuda/cuda_driver.cc:1034] failed to alloc 68705845248 bytes on host: CUDA_ERROR_OUT_OF_MEMORY
W ./tensorflow/core/common_runtime/gpu/pool_allocator.h:195] could not allocate pinned host memory of size: 68705845248
E tensorflow/stream_executor/cuda/cuda_driver.cc:1034] failed to alloc 61835259904 bytes on host: CUDA_ERROR_OUT_OF_MEMORY
W ./tensorflow/core/common_runtime/gpu/pool_allocator.h:195] could not allocate pinned host memory of size: 61835259904
E tensorflow/stream_executor/cuda/cuda_driver.cc:1034] failed to alloc 68705845248 bytes on host: CUDA_ERROR_OUT_OF_MEMORY
W ./tensorflow/core/common_runtime/gpu/pool_allocator.h:195] could not allocate pinned host memory of size: 68705845248
E tensorflow/stream_executor/cuda/cuda_driver.cc:1034] failed to alloc 68705845248 bytes on host: CUDA_ERROR_OUT_OF_MEMORY
W ./tensorflow/core/common_runtime/gpu/pool_allocator.h:195] could not allocate pinned host memory of size: 68705845248
.........

我使用了最小的batch_size，但还是错误。有谁知道为什么？我的tfrecords有问题吗？文件？ 我制作的代码tfrecords在这里:

#!/usr/bin/python
# -*- coding: utf-8 -*-

import tensorflow as tf
import numpy as np
import cv2
import os
import os.path
from PIL import Image   
train_file = 'train.txt' 
name = 'trainxx'  
output_directory = './tfrecords'
resize_height = 1536 
resize_width = 2048    
def _int64_feature(value):
    return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))    
def _bytes_feature(value):
    return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))        
def load_file(examples_list_file):
    lines = np.genfromtxt(examples_list_file, delimiter=" ", dtype=[('col1', 'S120'), ('col2', 'i8')])
    examples = []
    labels = []
    for example, label in lines:
        examples.append(example)
        labels.append(label)
    return np.asarray(examples), np.asarray(labels), len(lines)  
def extract_image(filename, resize_height, resize_width):
    image = cv2.imread(filename)
    image = cv2.resize(image, (resize_height, resize_width))
    b, g, r = cv2.split(image)
    rgb_image = cv2.merge([r, g, b])
    return rgb_image    
def transform2tfrecord(train_file, name, output_directory, resize_height, resize_width):
    if not os.path.exists(output_directory) or os.path.isfile(output_directory):
        os.makedirs(output_directory)
    _examples, _labels, examples_num = load_file(train_file)
    filename = output_directory + "/" + name + '.tfrecords'
    writer = tf.python_io.TFRecordWriter(filename)
    for i, [example, label] in enumerate(zip(_examples, _labels)):
        print('No.%d' % (i))
        image = extract_image(example, resize_height, resize_width)
        print('shape: %d, %d, %d, label: %d' % (image.shape[0], image.shape[1], image.shape[2], label))
        image_raw = image.tostring()
        example = tf.train.Example(features=tf.train.Features(feature={
            'image_raw': _bytes_feature(image_raw),
            'height': _int64_feature(image.shape[0]),
            'width': _int64_feature(image.shape[1]),
            'depth': _int64_feature(image.shape[2]),
            'label': _int64_feature(label)
        }))
        writer.write(example.SerializeToString())
    writer.close()    
def disp_tfrecords(tfrecord_list_file):
    filename_queue = tf.train.string_input_producer([tfrecord_list_file])
    reader = tf.TFRecordReader()
    _, serialized_example = reader.read(filename_queue)
    features = tf.parse_single_example(
        serialized_example,
        features={
            'image_raw': tf.FixedLenFeature([], tf.string),
            'height': tf.FixedLenFeature([], tf.int64),
            'width': tf.FixedLenFeature([], tf.int64),
            'depth': tf.FixedLenFeature([], tf.int64),
            'label': tf.FixedLenFeature([], tf.int64)
        }
    )
    image = tf.decode_raw(features['image_raw'], tf.uint8)
    # print(repr(image))
    height = features['height']
    width = features['width']
    depth = features['depth']
    label = tf.cast(features['label'], tf.int32)
    init_op = tf.initialize_all_variables()
    resultImg = []
    resultLabel = []
    with tf.Session() as sess:
        sess.run(init_op)
        coord = tf.train.Coordinator()
        threads = tf.train.start_queue_runners(sess=sess, coord=coord)
        for i in range(21):
            image_eval = image.eval()
            resultLabel.append(label.eval())
            image_eval_reshape = image_eval.reshape([height.eval(), width.eval(), depth.eval()])
            resultImg.append(image_eval_reshape)
            pilimg = Image.fromarray(np.asarray(image_eval_reshape))
            pilimg.show()
        coord.request_stop()
        coord.join(threads)
        sess.close()
    return resultImg, resultLabel   
def read_tfrecord(filename_queuetemp):
    filename_queue = tf.train.string_input_producer([filename_queuetemp])
    reader = tf.TFRecordReader()
    _, serialized_example = reader.read(filename_queue)
    features = tf.parse_single_example(
        serialized_example,
        features={
            'image_raw': tf.FixedLenFeature([], tf.string),
            'width': tf.FixedLenFeature([], tf.int64),
            'depth': tf.FixedLenFeature([], tf.int64),
            'label': tf.FixedLenFeature([], tf.int64)
        }
    )
    image = tf.decode_raw(features['image_raw'], tf.uint8)
    # image
    tf.reshape(image, [256, 256, 3])
    # normalize
    image = tf.cast(image, tf.float32) * (1. / 255) - 0.5
    # label
    label = tf.cast(features['label'], tf.int32)
    return image, label   
def test():
    transform2tfrecord(train_file, name, output_directory, resize_height, resize_width)  
    img, label = disp_tfrecords(output_directory + '/' + name + '.tfrecords')  
    img, label = read_tfrecord(output_directory + '/' + name + '.tfrecords') 数
    print label      
if __name__ == '__main__':
    test()

Answer 1

为什么您的数据集大小变大

我没有仔细检查您的所有代码，但我想我找到了数据集大小爆炸的原因。

您的转换过程如下所示:

1. 获取文件名列表
2. 打开图像文件并重新排序 channel
3. 处理图像文件(重新缩放)
4. 将数据字节以字符串形式写入.tfrecord文件<--问题点

图像文件通常被压缩。无论是有损还是无损，它们都以节省空间的方式存储。当您解码图像并将原始字节保存为(未压缩)文本时，您就失去了效率。

为什么你的代码会占用主机 RAM

注意:我不知道您的输入管道是如何设置的，因此我在这里做出一些假设，但我相信我的假设是正确的。

这里的问题是，由于 tfrecord 文件中的解码图像，您拥有的每个示例都相当大。当您设置输入管道时，数据将被读取并排队，以便管道的后续阶段可以处理它。我的想法是，由于每个示例的大小，您的示例队列会变得太大而导致内存不足。

典型的 .tfrecord 转换管道是什么样的

您需要进行一个简单的更改来解决您的问题:将压缩文件的原始数据存储在 .tfrecord 中，然后直接在 Tensorflow 中进行解码。 该过程应如下所示:

1. 获取文件名列表

2. 打开二进制文件并以字节字符串的形式读出其内容:

   with(my_image_filename, 'rb') as fp:
       raw_image = fp.read()
   

3. 写下raw_image字节字符串到.tfrecord文件

4. 在 Tensorflow 输入管道中，您将读取“raw_image”字节字符串张量并将其输入 <a href="https://www.tensorflow.org/api_docs/python/tf/image/decode_image" rel="noreferrer noopener nofollow">tf.image.decode_image()</a>或其更具体的变体之一。

这样，在您真正需要解码图像之前，您不会将其存储在任何地方，因此您的队列和 tfrecord 文件将保持合理的大小。

有关设置的其他说明

您正在混合 OpenCV 和 Tensorflow，但这不是必需的。 Tensorflow 拥有您首先将数据集转换为 .tfrecord 文件，然后解码图像所需的一切，而且在我看来，只需坚持使用 Tensorflow 的 API 就简单得多。 Here's the guide on how to set the conversion and the input pipeline ，它显示了我上面描述的“典型的 .tfrecord 转换管道”，如果您有其他需求(例如从 .csv 文件中读取文件名)，还可以添加一些技巧。