Tensorflow Keras（tf后端）内存分配问题

我将Keras与Tensorflow后端一起使用。 由于内存使用率高，我面临批量大小限制

我的数据由4个1D信号组成，每个通道的样本大小为801。全球样本量为3204

输入数据： 4路长度为7003的N 1D信号 通过在1D信号上应用滑动窗口生成的输入 给出输入数据形状（N*6203、801、4）

N是用于构建一个批次的信号数

My Model:
Input     801 x 4
Conv2D     5  x 1, 20 channels
MaxPooling 2  x 1
Conv2D     5  x 1, 20 channels
MaxPooling 2  x 1
Conv2D     5  x 1, 20 channels
MaxPooling 2  x 1
Conv2D     5  x 1, 20 channels
Flatten
Dense      2000
Dense      5

With my GPU (Quadro K6000, 12189 MiB) i can fit only N=2 without warning
With N=3 I get a ran out of memory warning
With N=4 I get a ran out of memory error

听起来好像批量大小受到所有张量使用的空间的限制

Input      801 x 4 x 1
Conv       797 x 4 x 20
MaxPooling 398 x 4 x 20
Conv       394 x 4 x 20
MaxPooling 197 x 4 x 20
Conv       193 x 4 x 20
MaxPooling 96  x 4 x 20
Conv       92  x 4 x 20
Dense      2000
Dense      5

1D信号为7001，有4个通道->6201个样本

Total = N*4224 MiB.
N=2 -> 8448 MiB fit in GPU
N=3 -> 12672 MiB work but warning: failed to allocate 1.10 GiB then 3.00 GiB
N=4 -> 16896 MiB fail, only one message: failed to allocate 5.89 GiB

它是这样工作的吗？有没有办法减少内存使用？ 给出一个时间估计：在40秒内运行34个批，我得到N总计=10^6

谢谢你的帮助：）

---

python2.7的示例：

那么N=1的一个示例是2000万个浮点数？然后你把它卷起，得到20倍多？您想知道为什么需要将它们放入GPU RAM中？第一个想法是以某种方式切割第一个滑动窗口，将数据乘以800x（或6200x？）。实际上，滑动窗口执行x800，内存消耗确实很大，但我想知道的是，没有任何内存优化方法像只分配两个最大张量（N*2262 MiB）那样用这两个张量进行计算。窗口大小是固定的，我的导师告诉我不要改变它。理论上，也许，人们会指出在计算过程中卸载数据的方法。一般来说，这种乘法是奇怪的。难道你没有得到像[a，b，c，…]，然后[b，c，d，…]，[c，d，e，…]这样的数据吗。。。？即，800份副本中的每一份都略有不同。另一个想法是，如果您需要使用大N处理所有数据，则添加零件切割步骤（net=net[partNum*1000:（partNum+1）*1000，：，：，：，：]），并在多个过程中处理数据