Python 使用大量类的tflearn标签编码

我正在尝试调整，以便使用12000个不同的类标签和100多万个培训示例进行分类。标签的数量显然是热编码时内存消耗的一个问题。我首先将字符串标签映射到连续整数，然后将它们作为列表传递给

to_category（）

函数。以下代码导致MemoryError：

trainY = to_categorical(trainY, nb_classes=n_classes)

我必须这样编码标签吗？还是应该使用不同于交叉熵的损失函数？我可以使用tflearn分批培训吗？我可以将生成器传递给

DNN.fit（）

函数吗

谢谢你的建议

在回归层中，您可以指定馈入的标签应为运行时的热编码标签

tflearn.layers.regression(incoming_net,
                          loss = 'categorical_crossentropy',
                          batch_size = 64,
                          to_one_hot = True,
                          n_classes = 12000)

---

这样，您就不会出现内存错误，因为标签将在培训时成批编码。

您是否要一次处理所有标签？这种方法可以在不做太多更改的情况下进行调整，但您需要批量处理这些图像。一次载入内存实在太多了。谢谢，正是我所需要的！：-）