當我們使用tensorflow進行深度學習時,進行訓練模型時,我們往往要讀取大量的圖片進行批處理輸入模型進行訓練. 如果我們一次性讀取全部圖片或者過多張圖片,內存將有可能溢出. 如果我們一次讀取小批量圖片,再將圖片轉換成tensor,然后再輸入模型,則隨著模型的迭代次數(shù)增大,內存占用將越來越大,最終內存溢出.如下代碼: sess=tf.Session() ImgFiles= ***** (包括所有訓練集圖片的文件名) for imgFile in imgFiles: img=scipy.misc.imread(imgFile) #讀取圖片 img=tf.convert_to_tensor(img,dtype='float32') #將圖片轉化成tensor img=preprocessing(img) #圖片預處理 res=net(img) #將圖片輸入網絡模型進行訓練,得出結果 如上代碼,因為tensor結點是不會自動回收的,即使你變量名被覆蓋,原來的tensor結點依然占用內存,最終內存占用將越來越大,所以不要在循環(huán)里面生成tensor. 可通過如下方法檢測是否不斷生成計算節(jié)點 在sess里面,循環(huán)外面,使用graph.finalize()鎖定graph.如果運行時保存,則說明有計算節(jié)點加入. 所以,我們要使用tf.train.batch進行圖片讀取訓練訓練. 代碼如下: def read(Path): filenames = [join(Path, f) for f in listdir(Path) if isfile(join(Path, f))] #Path為圖片訓練集的文件夾路徑,返回的是所有訓練集圖片的路徑的集合 filename_queue = tf.train.string_input_producer(filenames, shuffle=True, num_epochs=10) #將圖片產生一個隊列,可控制是否排序,圖片的迭代次數(shù) reader = tf.WholeFileReader() #產生一個讀取器reader _, img_bytes = reader.read(filename_queue) #將隊列輸入讀取器reader當中,讀取序列 image = tf.image.decode_png(img_bytes, channels=3) #對序列解碼,現(xiàn)在image還是一張圖片,為tensor image=preprocessing(image) #對圖片進行預處理 image=tf.train.batch([image], 2, dynamic_pad=True) #將圖片合并生成一個批次,第二個參數(shù)2是控制這個批次包含多少張圖片.
with tf.Graph().as_default() as g: with tf.Session() as sess: #協(xié)調器要求在with tf.Session() as sess 里面使用. img=read(Path) coord = tf.train.Coordinator() #創(chuàng)建一個協(xié)調器,管理線程 threads = tf.train.start_queue_runners(coord=coord) try: while not coord.should_stop(): #進行模型訓練 finally: coord.request_stop() coord.join(threads)

總結

以上是生活随笔為你收集整理的tensorflow 图片批处理--- tf.train.batch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。