Python 不能'；我不能在凯拉斯训练一个模特

我正在尝试训练一个用于keras人脸分析的多功能卷积模型，该模型的大小约为19.2GB。它成功显示模型摘要，但无法训练模型

我有一台内存约为4GB的电脑

Loading pickle files
Loaded train, test and validation dataset
Loading test images
Loading validation images
dataset/adience.py:100: FutureWarning: Method .as_matrix will be removed in a future version. Use .values instead.
  self.test_detection = self.test_dataset["is_face"].as_matrix()
Loaded all dataset and images
__________________________________________________________________________________________________
Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
input_1 (InputLayer)            (None, 227, 227, 1)  0                                            
__________________________________________________________________________________________________
conv2d_1 (Conv2D)               (None, 55, 55, 96)   11712       input_1[0][0]                    
__________________________________________________________________________________________________
batch_normalization_1 (BatchNor (None, 55, 55, 96)   384         conv2d_1[0][0]                   
__________________________________________________________________________________________________
max_pooling2d_1 (MaxPooling2D)  (None, 27, 27, 96)   0           batch_normalization_1[0][0]      
__________________________________________________________________________________________________
conv2d_2 (Conv2D)               (None, 27, 27, 256)  614656      max_pooling2d_1[0][0]            
__________________________________________________________________________________________________
batch_normalization_2 (BatchNor (None, 27, 27, 256)  1024        conv2d_2[0][0]                   
__________________________________________________________________________________________________
max_pooling2d_2 (MaxPooling2D)  (None, 13, 13, 256)  0           batch_normalization_2[0][0]      
__________________________________________________________________________________________________
conv2d_3 (Conv2D)               (None, 13, 13, 384)  885120      max_pooling2d_2[0][0]            
__________________________________________________________________________________________________
conv2d_4 (Conv2D)               (None, 13, 13, 384)  1327488     conv2d_3[0][0]                   
__________________________________________________________________________________________________
conv2d_5 (Conv2D)               (None, 13, 13, 512)  1769984     conv2d_4[0][0]                   
__________________________________________________________________________________________________
conv2d_8 (Conv2D)               (None, 6, 6, 256)    393472      max_pooling2d_1[0][0]            
__________________________________________________________________________________________________
conv2d_9 (Conv2D)               (None, 6, 6, 256)    393472      conv2d_3[0][0]                   
__________________________________________________________________________________________________
max_pooling2d_4 (MaxPooling2D)  (None, 6, 6, 512)    0           conv2d_5[0][0]                   
__________________________________________________________________________________________________
concatenate_1 (Concatenate)     (None, 6, 6, 1024)   0           conv2d_8[0][0]                   
                                                                 conv2d_9[0][0]                   
                                                                 max_pooling2d_4[0][0]            
__________________________________________________________________________________________________
conv2d_10 (Conv2D)              (None, 6, 6, 256)    262400      concatenate_1[0][0]              
__________________________________________________________________________________________________
flatten_2 (Flatten)             (None, 9216)         0           conv2d_10[0][0]                  
__________________________________________________________________________________________________
dense_3 (Dense)                 (None, 2048)         18876416    flatten_2[0][0]                  
__________________________________________________________________________________________________
dropout_3 (Dropout)             (None, 2048)         0           dense_3[0][0]                    
__________________________________________________________________________________________________
dense_11 (Dense)                (None, 512)          1049088     dropout_3[0][0]                  
__________________________________________________________________________________________________
dropout_10 (Dropout)            (None, 512)          0           dense_11[0][0]                   
__________________________________________________________________________________________________
detection_probablity (Dense)    (None, 2)            1026        dropout_10[0][0]                 
==================================================================================================
Total params: 25,586,242
Trainable params: 25,585,538
Non-trainable params: 704
__________________________________________________________________________________________________
Epoch 1/10

---

上面写着纪元1/10，但它停止了。这是我的计算机的计算问题吗？

如果它开始这样运行，那么它可能有足够的ram来正常运行。您可以检查资源监视器以查看有多少内存可用。您还可以检查是否有CPU使用情况。如果有CPU使用，那么可能只是训练非常缓慢

这是一个相当大的模型，因此在一个小CPU上训练可能需要非常长的时间

确保Keras详细度设置为1，以便每批打印信息。虽然这是默认设置，所以应该已经设置为那样，除非您更改它

model.fit(verbose=1)

还可以尝试将批大小调低到1，看看是否有输出（因为它可以更快地完成较小的批）

---

如果它运行正常但速度缓慢，那么最好的办法就是使用GPU来运行它。如果您不能做到这一点，那么您可以尝试从源代码处编译Tensorflow，以确保您拥有所有的CPU指令集和MKL库（如果您需要），这可以提高它的速度。

当我将批处理大小设置为1时，它开始训练网络，但我得到以下错误

分配的75497472超过了系统内存的10%。2018-07-18 09:47:05.318941:W tensorflow/core/framework/allocator.cc:101]75497472的分配超过了系统内存的10%。2018-07-18 09:47:05.679869:W tensorflow/core/framework/allocator.cc:101]75497472的分配超过了系统内存的10%。2018-07-18 09:47:05.793544:W tensorflow/core/framework/allocator.cc:101]

这是否意味着我必须使用GPU服务器进行培训？现在您知道了它的工作原理，如果可能的话，您可能希望将批处理大小恢复到至少32左右。如果该消息只是一个警告，那么您可以忽略它。我想，如果它真的困扰您，您可以禁用来自tensorflow的警告。最终，尽管您的计算机只有很少的RAM来完成这类工作，但您可以非常努力地优化您的模型，或者使用GPU获得更好的计算机。尝试检查数据的数据类型，可能可以通过降低精度来减少内存使用