Python 用于结果和内存管理的Keras ConvLSTM优化

我有我用来预测一个值（线性激活）的图像，我对使用神经网络比较陌生。我得到的图像包含了很多细节，分辨率很高，但由于它们是卫星图像，这是有问题的，因为它们的尺寸很大（809012894）。我的目标是介于0和1之间的标量

我的目标是使用排序（RNN到CONVLSM）和卷积来更好地预测值

我的步骤如下：

函数将图像加载到内存中并进行处理，返回数组

生成器从上面的数组中读取数据并将其馈送到模型中，这在当前是不必要的，但如果我能使模型足够小，可以在GPU上运行，它将是

模型通过生成器从阵列读取数据

我想为我的目标优化模型，缩小内存中的模型大小，但提高准确性

以下是我的代码的相关部分：

def build_model(frames=seq_len, channels=3, pixels_x=w, pixels_y=h, kernel_sizing=kernel_sizing):
    model = Sequential()
    model.add(
        ConvLSTM2D(filters=16
                   , kernel_size=kernel_sizing
                   , strides = 3
                   , data_format='channels_last'
                   , return_sequences = False
                   , activation='relu', input_shape=(frames, pixels_x, pixels_y, channels))
                )
    model.add(
        Conv2D(filters=16
                   , kernel_size=(3,3)
                   , activation='relu')
                )
    model.add(MaxPooling2D(pool_size=(2, 2)))
    model.add(Dropout(0.5))
    model.add(Flatten())
    model.add(Dense(10, activation='relu'))
    model.add(Dense(1, activation='linear'))
    
    optimizer = tf.keras.optimizers.RMSprop(0.001)
    
    model.compile(    
        loss = "mse",
        optimizer = optimizer,
        metrics=['mae', 'mse'])
    
    return model

注:

一般来说，我必须调整到大约.1，这使我失去了细节

我尝试了（3,3）和（11,11）的内核大小调整&想要更多的过滤器，但这会占用大量内存

我可以根据内核的大小进一步调整步长，这就是我想知道是否可以“缩小”内存中模型的大小的地方

因为我的目标值是一个介于0和1之间的数字，我是否需要使用MAE而不是MSE，因为MSE可能由于非常小的错误而变得奇怪

展平后我需要更大的致密层吗？我如何防止它变得巨大

我相信我的很多记忆问题都是由于图像太大造成的，但是我如何管理这些问题并保持我的细节水平呢

（从上面）我是否需要剪切图像块并使用块的目标变量增加数据集的大小？如果是这样，这将如何用于测试来自实际预测集的新图像

编辑： model.summary（）：

---

总而言之，这里有一些很好的建议，可以改进模型的优化，从而避免可怕的“ResourceExhausterRor:OOM当分配张量时”：

• 在二维图层中使用较大的步幅
• 减少密集2D层中的神经元数量
• 使用较小的批处理大小（或每\u历元增加步数）
• 使用灰度图像（将有一个通道而不是三个通道）
• 减少层数
• 使用更多MaxPoolig2D层，并增加其池大小
• 减小图像的大小（可以使用PIL或cv2）
• 申请退学
• 使用较小的浮点精度，即np.float16而不是np.float32（最后手段）
• 如果使用预先训练的模型，请冻结第一层

---

希望这有帮助

您的model.summary（）输出多少个参数？我首先要做的是将步幅增加2倍？编辑以添加model.summary（）您应该能够添加更多具有更小内核大小的卷积层，并且每个层都有16-64个过滤器。这将增加你的深度，但会使你的完全连接层显着更小。深度也会提高你的准确度。我不确定这会对#params产生什么影响，但它实际上可能会降低它。你也可以使你的模型保持图像大小不变，然后在逐渐增大的图像上进行训练，例如从.1比例开始，然后向上移动到全比例图像。通过这种方式，你应该能够得到一个比全尺寸训练更有效的模型，如果你在计算上有限制的话，我该如何使它保持不变的图像大小呢？模型似乎总是想要一个输入形状是吗？如果你能提供参数、模型类型等，我可以对此进行研究。