Python 如何输入大量数据来训练Keras模型以防止RAM崩溃?
我正在尝试为序列图像分类任务训练Tensorflow Keras模型。该模型本身是一个简单的CNN-RNN模型,我以前在对一维信号进行分类时使用过,没有问题 我在计算机上加载训练模型所需的数据时遇到问题,因为内存已满,整个过程崩溃 我的数据如下所示: (批次、时间步长、高度、宽度、通道)=(批次、30、300、600、3) 我的数据管道的顺序如下:Python 如何输入大量数据来训练Keras模型以防止RAM崩溃?,python,tensorflow,image-processing,keras,video-processing,Python,Tensorflow,Image Processing,Keras,Video Processing,我正在尝试为序列图像分类任务训练Tensorflow Keras模型。该模型本身是一个简单的CNN-RNN模型,我以前在对一维信号进行分类时使用过,没有问题 我在计算机上加载训练模型所需的数据时遇到问题,因为内存已满,整个过程崩溃 我的数据如下所示: (批次、时间步长、高度、宽度、通道)=(批次、30、300、600、3) 我的数据管道的顺序如下: glob.glob将一个文件夹中的所有文件放入一个列表中 从一个文件加载所有数据,创建一个大约为(50,30,300,600,3)的数组 使用lis
非常感谢您的帮助,请提前感谢。您需要的是
DataGenerator
现在,您的代码可能如下所示:
import numpy as np
from keras.models import Sequential
# Load entire dataset
X, y = np.load('some_training_set_with_labels.npy')
# Design model
model = Sequential()
[...] # Your architecture
model.compile()
# Train model on your dataset
model.fit(x=X, y=y)
您的数据生成器将类似于:
import numpy as np
import keras
class DataGenerator(keras.utils.Sequence):
'Generates data for Keras'
def __init__(self, list_IDs, labels, batch_size=32, dim=(32,32,32), n_channels=1,
n_classes=10, shuffle=True):
'Initialization'
self.dim = dim
self.batch_size = batch_size
self.labels = labels
self.list_IDs = list_IDs
self.n_channels = n_channels
self.n_classes = n_classes
self.shuffle = shuffle
self.on_epoch_end()
def __len__(self):
'Denotes the number of batches per epoch'
return int(np.floor(len(self.list_IDs) / self.batch_size))
def __getitem__(self, index):
'Generate one batch of data'
# Generate indexes of the batch
indexes = self.indexes[index*self.batch_size:(index+1)*self.batch_size]
# Find list of IDs
list_IDs_temp = [self.list_IDs[k] for k in indexes]
# Generate data
X, y = self.__data_generation(list_IDs_temp)
return X, y
def on_epoch_end(self):
'Updates indexes after each epoch'
self.indexes = np.arange(len(self.list_IDs))
if self.shuffle == True:
np.random.shuffle(self.indexes)
def __data_generation(self, list_IDs_temp):
'Generates data containing batch_size samples' # X : (n_samples, *dim, n_channels)
# Initialization
X = np.empty((self.batch_size, *self.dim, self.n_channels))
y = np.empty((self.batch_size), dtype=int)
# Generate data
for i, ID in enumerate(list_IDs_temp):
# Store sample
X[i,] = np.load('data/' + ID + '.npy')
# Store class
y[i] = self.labels[ID]
return X, keras.utils.to_categorical(y, num_classes=self.n_classes)
我们必须相应地修改Keras脚本,以便它接受我们刚刚创建的生成器
import numpy as np
from keras.models import Sequential
from my_classes import DataGenerator
# Parameters
params = {'dim': (32,32,32),
'batch_size': 64,
'n_classes': 6,
'n_channels': 1,
'shuffle': True}
# Datasets
partition = # IDs
labels = # Labels
# Generators
training_generator = DataGenerator(partition['train'], labels, **params)
validation_generator = DataGenerator(partition['validation'], labels, **params)
# Design model
model = Sequential()
[...] # Architecture
model.compile()
# Train model on dataset
model.fit_generator(generator=training_generator,
validation_data=validation_generator,
use_multiprocessing=True,
workers=4)
请查看以了解更多详细信息。有点过时了。看看最近发生的事情也许能帮到你。寻找将数据集分割成更小块的切分。