Python ResourceExhaustedError（回溯见上文）：分配形状[3,3256512]张量和类型float时的OOM

GPU:GTX980M-8GB CPU:2.7GHZ 8核
内存：16GB

import keras
from keras.models import Sequential
from keras.layers import Dense,Flatten,Dropout
from keras.layers.convolutional import Conv2D,MaxPooling2D
#from sklearn.model_selection import train_test_split
import keras.optimizers
import gc
label=pd.read_csv('trainLabels.csv')
label=label.sort_values(by=['image'])
model = Sequential()
model.add(Conv2D(64,(3,3),strides=(1,1),input_shape=(512,512,3),padding='same',activation='relu',kernel_initializer='uniform'))
model.add(Conv2D(64,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Conv2D(128,(3,2),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))
model.add(Conv2D(128,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Conv2D(256,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))
model.add(Conv2D(256,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))
model.add(Conv2D(256,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Conv2D(512,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))
model.add(Conv2D(512,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))
model.add(Conv2D(512,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Conv2D(512,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))
model.add(Conv2D(512,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))
model.add(Conv2D(512,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Flatten())
model.add(Dense(4096,activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(4096,activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(1,activation='relu'))
opt = keras.optimizers.Adagrad(lr=0.01)
model.compile(loss='mean_squared_error', optimizer=opt)
#ID=train_test_split(list(range(1000)),test_size=0.2,stratify=label['level'].iloc[0:1000])
df=np.array(df)
model.fit(df, label['level'].iloc[0:1000],epochs=100, batch_size=1)
gc.collect()

错误消息：

df.shape
    Out[78]: (1000, 512, 512, 3)

ResourceExhaustedError（回溯见上文）：分配形状[3,3256512]的张量和类型float时的OOM
[[Node:training_9/Adagrad/zeros_14=Const[dtype=DT_FLOAT，value=Tensor，_device=“/job:localhost/replica:0/task:0/device:GPU:0”]（）]

图像为512 X 512，并通过一种标准vgg19

---

我只是想问，这个问题是由硬件缺陷引起的，不能用其他方法解决吗？i、 e.我无法使用8GB GPU通过vgg19处理512 X 512图像。我有点怀疑，因为在增加批量大小时，使用11GB GPU肯定会出现同样的错误。或者应该有问题或其他解决方案。

我不认为该型号太大，不适合使用8GB内存的GPU

在大多数情况下，有一个进程使用GPU中的大部分内存资源

您可以检查哪个进程占用了大部分GPU内存

ResourceExhaustedError (see above for traceback): OOM when allocating tensor of shape [3,3,256,512] and type float
     [[Node: training_9/Adagrad/zeros_14 = Const[dtype=DT_FLOAT, value=Tensor<type: float shape: [3,3,256,512] values: [[[0 0 0]]]...>, _device="/job:localhost/replica:0/task:0/device:GPU:0"]()]]

如果在

processname

中看到类似于

python

的内容，只需使用

kill-9[processid]

---

该进程可能是您执行的模型，它没有被终止，并且消耗了大部分GPU内存。

问题似乎是网络对于该输入大小来说太大了。因此，它无法为给定的大小/网络分配内存。可能是该网络适合11GB GPU，但不适合8GB GPU。尝试从您的网络中删除几个conv2D层或减小输入图像大小（至128x128或64x64），看看它是否有效。我尝试了256 X 256它确实有效，但在预测准确度交易中很有可能。我只是想知道哪种机器能完成这种任务。

nvidia-smi