我正在尝试开发一个图像去噪模型。我一直在阅读如何计算神经网络的内存使用情况,标准方法似乎是:
params = depth_n x (kernel_width x kernel_height) x depth_n-1 + depth
通过将网络中的所有参数相加,我最终得到 1,038,097,大约为 4.2MB。看来我在最后一层做了一个轻微的计算错误,因为 Keras 最终得到了 1,038,497 参数。然而,这是一个很小的差异。 4.2MB 只是参数,我在某处看到应该乘以 3 以包含反向传播和其他所需的计算。这将大约为 13MB。
我有大约 11 GB 的 GPU 内存可供使用,但这个模型已经耗尽。所有额外需要的内存从哪里来?我缺少什么?我知道这篇文章可能会被标记为重复,但其他人似乎都没有捕获我要问的主题。
我的模型:
def network(self):
weights = RandomUniform(minval=-0.05, maxval=0.05, seed=None)
input_img = Input(shape=(self.img_rows, self.img_cols, self.channels))
conv1 = Conv2D(1024, (3,3), activation='tanh', kernel_initializer=weights,
padding='same', use_bias=True)(input_img)
conv2 = Conv2D(64, (3,3), activation='tanh', kernel_initializer=weights,
padding='same', use_bias=True)(conv1)
conv3 = Conv2D(64, (3,3), activation='tanh', kernel_initializer=weights,
padding='same', use_bias=True)(conv2)
conv4 = Conv2D(64, (3,3), activation='relu', kernel_initializer=weights,
padding='same', use_bias=True)(conv3)
conv5 = Conv2D(64, (7,7), activation='relu', kernel_initializer=weights,
padding='same', use_bias=True)(conv4)
conv6 = Conv2D(64, (5,5), activation='relu', kernel_initializer=weights,
padding='same', use_bias=True)(conv5)
conv7 = Conv2D(32, (5,5), activation='relu', kernel_initializer=weights,
padding='same', use_bias=True)(conv6)
conv8 = Conv2D(32, (3,3), activation='relu', kernel_initializer=weights,
padding='same', use_bias=True)(conv7)
conv9 = Conv2D(16, (3,3), activation='relu', kernel_initializer=weights,
padding='same', use_bias=True)(conv8)
decoded = Conv2D(1, (5,5), kernel_initializer=weights,
padding='same', activation='sigmoid', use_bias=True)(conv8)
return input_img, decoded
def compiler(self):
self.model.compile(optimizer='RMSprop', loss='mse')
self.model.summary()
我认为我的模型在很多方面都很愚蠢,并且有很多事情需要改进(dropout、其他过滤器大小和数量、优化器等),并且所有建议都会很高兴地收到,但实际问题仍然存在。为什么这个模型会消耗这么多内存?是因为conv1
的深度极高吗?
模型摘要:
Using TensorFlow backend.
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
input_1 (InputLayer) (None, 1751, 480, 1) 0
_________________________________________________________________
conv2d_1 (Conv2D) (None, 1751, 480, 1024) 10240
_________________________________________________________________
conv2d_2 (Conv2D) (None, 1751, 480, 64) 589888
_________________________________________________________________
conv2d_3 (Conv2D) (None, 1751, 480, 64) 36928
_________________________________________________________________
conv2d_4 (Conv2D) (None, 1751, 480, 64) 36928
_________________________________________________________________
conv2d_5 (Conv2D) (None, 1751, 480, 64) 200768
_________________________________________________________________
conv2d_6 (Conv2D) (None, 1751, 480, 64) 102464
_________________________________________________________________
conv2d_7 (Conv2D) (None, 1751, 480, 32) 51232
_________________________________________________________________
conv2d_8 (Conv2D) (None, 1751, 480, 32) 9248
_________________________________________________________________
conv2d_10 (Conv2D) (None, 1751, 480, 1) 801
=================================================================
Total params: 1,038,497
Trainable params: 1,038,497
Non-trainable params: 0
_________________________________________________________________
最佳答案
你是对的,这是由于 conv1
中的过滤器数量所致。您必须计算的是存储激活所需的内存:
如 model.summary()
所示,该层的输出大小为 (None, 1751, 480, 1024)
。对于单个图像,总共有 1751*480*1024
像素。由于您的图像可能采用 float32
格式,因此每个像素需要 4 个字节来存储。因此,该层的输出需要 1751*480*1024*4
字节,对于该层来说,每个图像大约需要 3.2 GB。
如果您将过滤器的数量更改为 64 个,则每个图像只需要大约 200 MB。
更改过滤器的数量或将批量大小更改为 1。
关于python-3.x - 神经网络、Keras 的内存使用情况,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/53170149/