Tensorflow TF估计器梯度增强分类器在训练时突然停止

我用TF示例代码训练了梯度增强分类器

但是,， TF估计器梯度增强分类器在训练时突然停止

我想它在乞讨时要走几步，然后突然毫无例外地停了下来

我怎样才能知道python崩溃的原因

很难找到它停止的原因

res:

日志：

2019-04-15 16:40:26.175889:I tensorflow/core/common_运行时/gpu/gpu_设备。cc:1433]找到设备0 带属性：名称：GeForce GTX 1060 6GB主要：6次要：1 memoryClockRate（GHz）：1.7845 pCIBSID:0000:07:00.0总内存： 6.00GiB自由内存：4.97GiB 2019-04-15 16:40:26.182620:I tensorflow/core/common_runtime/gpu/gpu设备。cc:1512]添加可见 gpu设备：0 2019-04-15 16:40:26.832040:I tensorflow/core/common_runtime/gpu/gpu_device.cc:984]device 具有强度1边缘矩阵的互连拖缆执行器：2019-04-15 16:40:26.835620:I tensorflow/core/common_runtime/gpu/gpu_device.cc:990]0 2019-04-15 16:40:26.836840:I tensorflow/core/common_runtime/gpu/gpu_device.cc:1003]0:N 2019-04-15 16:40:26.838276:I tensorflow/core/common_runtime/gpu/gpu_device.cc:1115]已创建 TensorFlow设备（/job:localhost/replica:0/task:0/device:GPU:0） 4716 MB内存）->物理GPU（设备：0，名称：GeForce GTX 1060 6GB，pci总线id:0000:07:00.0，计算能力：6.1） 警告：tensorflow:来自 D:\python\lib\site packages\tensorflow\python\training\saver.py:1266: 检查点_存在（从 tensorflow.python.training.checkpoint_management）已被弃用，并且 将在将来的版本中删除。更新说明：使用 用于检查具有此前缀的文件的标准文件API。 警告：tensorflow:来自 D:\python\lib\site packages\tensorflow\python\training\saver.py:1070: 获取检查点时间（从 tensorflow.python.training.checkpoint_management）已被弃用，并且 将在将来的版本中删除。更新说明：使用 获取MTIME的标准文件实用程序。警告：tensorflow:问题 序列化资源时遇到错误。类型不受支持，或者 项的类型和CollectionDef中的字段类型不匹配。注意这一点 这是一个警告，可能是可以忽略的_“资源”对象没有 属性“name”警告：tensorflow:序列化时遇到问题 资源。类型不受支持，或者项目的类型不匹配 CollectionDef中的字段类型。注意这是一个警告，可能是安全的 不理。”_资源“对象”没有属性“名称”

D:\py>（刚刚完成培训）

-------------------------------------------停止

metrics = est.evaluate(input_fn=val_input_fn,steps=1)

    results = est.predict(input_fn=ttt )
    result_list = list(results)


    classi = list(map(lambda x : x['classes'][0].decode("utf-8"), result_list))
    num = list(range(0,len(classi)))
    numi = list(map(lambda x : 'test_' + str(x),num))
    #df1 = pd.DataFrame(columns=('ID_code','target'))

    df_result = pd.DataFrame({'ID_code' : numi, 'target' : classi})

    df_result.to_csv('result/submission03.csv',index=False)

def make_input_fn(X, y, n_epochs=None, shuffle=True):
def input_fn():
    NUM_EXAMPLES = len(y)
    dataset = tf.data.Dataset.from_tensor_slices((dict(X), y))
  #  dataset = tf.data.Dataset.from_tensor_slices((X.to_dict(orient='list'), y))
    #if shuffle:
     #   dataset = dataset.shuffle(NUM_EXAMPLES)
    # For training, cycle thru dataset as many times as need (n_epochs=None).    
    dataset = (dataset.repeat(n_epochs).batch(NUM_EXAMPLES)) 
    return dataset
return input_fn

---

应该显示评估结果

我认为问题是由GPU内存溢出引起的。 您可以根据GPU内存大小，尝试将“每层n个批次”的值修改为更大的值。

---

我使用的是6G GPU，其值为16。

def make_input_fn（X，y，n_epochs=None，shuffle=True）：def input_fn（）：NUM_EXAMPLES=len（y）dataset=tf.data.dataset.from_tensor_slices（（dict（X，y））#dataset=tf.data.dataset.from_tensor___slices（（X.to)(orient='list'），y））#如果是shuffle:#dataset=dataset.shuffle（NUM_示例）#对于训练，根据需要循环遍历dataset多次（n_epochs=None）。dataset=（dataset.repeat（n_epochs.batch（NUM_EXAMPLES））return dataset return input_fn此更改是否解决了问题？工作顺利-谢谢-但您究竟是如何知道的？我遇到了类似的问题，我相信它也与此参数有关。“你能告诉我们更多关于你是如何选择它的细节吗，@tommey？”？

trn = pd.read_csv('data/santander-customer-transaction-prediction/train.csv')
        tst = pd.read_csv('data/santander-customer-transaction-prediction/test.csv')



    #trn = upsample(trn[trn.target==0], trn[trn.target==1])
#   trn = downsample(trn[trn.target==0], trn[trn.target==1])


    features = trn.columns.values[2:202]
    target_name = trn.columns.values[1]
    train=trn[features]
    target=trn[target_name]

    NUM_EXAMPLES = len (target)
    print (NUM_EXAMPLES)

    feat1 = train.corrwith(target).sort_values().head(20).index
    feat2 = train.corrwith(target).sort_values().tail(20).index
    featonly = feat1.append(feat2)
    feat = featonly.append(pd.Index(['target']))

    train_origin, tt = train_test_split(trn, test_size=0.2)

    train = train_origin[featonly]
    target = train_origin[target_name]
    test = tst[featonly]

    target_name_tst = tst.columns.values[1]
    target_tst=tst[target_name_tst]

    val_origin=tt
    val_train = tt[featonly]
    val_target = tt[target_name]
    # Training and evaluation input functions.

    train_input_fn = make_input_fn(train, target)
    val_input_fn = make_input_fn(val_train, val_target)

    ttt=tf.estimator.inputs.pandas_input_fn(x=test,num_epochs=1,shuffle=False)


    del train,target,val_train,train_origin,trn,tst

    fc = tf.feature_column
    feature_columns = []
    for feature_name in featonly:
        feature_columns.append(fc.numeric_column(feature_name,dtype=tf.float32))
    #feature_columns



    #5
    #tf.logging.set_verbosity(tf.logging.INFO)
    #logging_hook = tf.train.LoggingTensorHook({"loss" : loss, "accuracy" : accuracy}, every_n_iter=10)

    params = {
      'n_trees': 50,
      'max_depth': 3,
      'n_batches_per_layer': 1,
      # You must enable center_bias = True to get DFCs. This will force the model to 
      # make an initial prediction before using any features (e.g. use the mean of 
      # the training labels for regression or log odds for classification when
      # using cross entropy loss).
      'center_bias': True
    }
#   config = tf.estimator.RunConfig().replace(keep_checkpoint_max = 1, 
 #                   log_step_count_steps=20, save_checkpoints_steps=20)

    est = tf.estimator.BoostedTreesClassifier(feature_columns, **params,model_dir='d:\py/model/')
    est.train(train_input_fn, max_steps=50)

metrics = est.evaluate(input_fn=val_input_fn,steps=1)

    results = est.predict(input_fn=ttt )
    result_list = list(results)


    classi = list(map(lambda x : x['classes'][0].decode("utf-8"), result_list))
    num = list(range(0,len(classi)))
    numi = list(map(lambda x : 'test_' + str(x),num))
    #df1 = pd.DataFrame(columns=('ID_code','target'))

    df_result = pd.DataFrame({'ID_code' : numi, 'target' : classi})

    df_result.to_csv('result/submission03.csv',index=False)

def make_input_fn(X, y, n_epochs=None, shuffle=True):
def input_fn():
    NUM_EXAMPLES = len(y)
    dataset = tf.data.Dataset.from_tensor_slices((dict(X), y))
  #  dataset = tf.data.Dataset.from_tensor_slices((X.to_dict(orient='list'), y))
    #if shuffle:
     #   dataset = dataset.shuffle(NUM_EXAMPLES)
    # For training, cycle thru dataset as many times as need (n_epochs=None).    
    dataset = (dataset.repeat(n_epochs).batch(NUM_EXAMPLES)) 
    return dataset
return input_fn