情況：計算 FVD 時，使用 dataset-1 時運行成功，使用數據量(data size)更大的 dataset-2 時運行失敗。報錯OOM：顯存溢出。

查找問題：比較兩次計算時的 input video 的 data shape，發現成功的那個是：[2, 64, 224, 224, 3]，失敗的那個是：[2, 180, 224, 224, 3]。

注：shape各dim的含義是：[batch_size, num_frames, height, weight, depth]

發現不對勁：input 的 num_frame 的大小應該相同，都是 16。此處的 64 和 180 是 input vid 在 resize 前的 weight 大小。

找到原因：resize 時的 vid shape 沒有調整好。要求 熱size 的 input shape 是 [bs, t, h, w, c]，而我的是 [bs, c, t, h, w]。例如，錯誤輸入：[2, 3, 16, 144, 180] 的 resize 結果為 [2, 180, 224, 224, 3]，而不是期待的 [2, 16, 224, 224, 3]。

解決方案：將 resize 前的 vid shape 用 tensor.permuter() 調好后，問題解決。

小結：所以，bs大小可能會造成顯存溢出(OOM)，而使用的數據量(data size)大小不會。起碼此處不會。

總結

以上是生活随笔為你收集整理的使用FVD时遇到的问题记录：使用tensorflow时batch_size不变的情况下使用数据量更大的dataset发生了显存溢出(OOM)问题 的解决的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。