Python 图像聚类-在GPU上分配内存
我已经由pretrained googlenet为图像分类编写了以下代码:Python 图像聚类-在GPU上分配内存,python,image,classification,pytorch,Python,Image,Classification,Pytorch,我已经由pretrained googlenet为图像分类编写了以下代码: gnet = models.googlenet(pretrained=True).cuda() transform = transforms.Compose([transforms.Resize(256), transforms.CenterCrop(32), transforms.ToTensor()]) images = {} resultDist = {} i = 1 for f in glob.iglob("
gnet = models.googlenet(pretrained=True).cuda()
transform = transforms.Compose([transforms.Resize(256), transforms.CenterCrop(32), transforms.ToTensor()])
images = {}
resultDist = {}
i = 1
for f in glob.iglob("/data/home/student/HW3/trainData/train2014/*"):
print(i)
i = i + 1
image = Image.open(f)
# transform, create batch and get gnet weights
img_t = transform(image).cuda()
batch_t = torch.unsqueeze(img_t, 0).cuda()
try:
gnet.eval()
out = gnet(batch_t)
resultDist[f[-10:-4]] = out
del out
except:
print(img_t.shape)
del img_t
del batch_t
image.close()
torch.cuda.empty_cache()
i = i + 1
torch.save(resultDist, '/data/home/student/HW3/googlenetOutput1.pkl')
我删除了GPU中所有可能的张量,但从我的数据集中删除了大约8000张图像后,GPU就满了。我发现问题出在:
resultDist[f[-10:-4]] = out
字典占用了大量空间,我无法删除它,因为我想将数据保存到pkl文件。因为您没有使用torch使用
包装整个循环。no_grad():
语句,因为否则会创建计算图,间歇结果可能会存储在GPU上,以供以后应用backprop。这需要相当大的空间。此外,您可能还希望将out.cpu()
保存下来,这样您的结果就不会留在GPU上了
...
with torch.no_grad():
for f in glob.iglob("/data/home/student/HW3/trainData/train2014/*"):
...
resultDist[f[-10:-4]] = out.cpu()
...
torch.save(resultDist, '/data/home/student/HW3/googlenetOutput1.pkl')
由于您没有使用torch执行backprop,因此请使用
包装整个循环。no_grad():
语句,否则会创建计算图,间歇结果可能会存储在GPU上,以便以后应用backprop。这需要相当大的空间。此外,您可能还希望将out.cpu()
保存下来,这样您的结果就不会留在GPU上了
...
with torch.no_grad():
for f in glob.iglob("/data/home/student/HW3/trainData/train2014/*"):
...
resultDist[f[-10:-4]] = out.cpu()
...
torch.save(resultDist, '/data/home/student/HW3/googlenetOutput1.pkl')