Tensorflow 如何在Google Colab中高效地使用GPU RAM？

我正在设计一个

多标签图像分类器

。为此，我需要加载7867个左右的train_映像。在加载映像时，RAM使用从0.92 GB增加到12.5 GB

加载后，当我将图像装入numpy阵列时，RAM使用总可用大小，即25.54 GB，代码停止执行，出现错误“您的会话崩溃”

我正在使用的示例代码

train_图像=[]
对于tqdm中的i（范围（列形状[0]）：
img=image.load\u img(
'/content/Multi_Label_dataset/Images/'+train['Id'][i]+'.jpg'，
目标_大小=（400400,3）
)
img=image.img_到_数组（img）
img=img/255
列车图像附加（img）

截至上述RAM使用量为12.52 GB

X=np.数组（序列图像）

执行此行时，RAM使用情况变为红色，并弹出“会话崩溃消息”

---

如何处理此问题？

您的数据集太大，无法一次性加载到RAM中。这是使用图像数据集时的常见情况。除了数据集，RAM还需要保存模型、其他变量和额外的处理空间

要帮助加载，您可以使用

data\u generators（）

和

flow\u from\u directory（）

data\u generator（）
负责所有图像预处理，如整形和规格化。来自目录的
flow\u（）
将帮助解决内存问题。它从指定目录动态加载一批图像，并在应用预处理技术后将其传递到模型