我在tensorflow1.1中训练了一个ESPCN,每次修补的成本时间在训练时几乎线性增加。前100个纪元只需4-5秒,但第70个纪元大约需要半分钟。请参见下面的训练结果:为什么tensorflow1.1在训练时变得越来越慢?它是内存泄漏还是队列匮乏?
我搜索谷歌和堆栈溢出同样的问题,并试图下面的解决方案,但似乎没有工作: 每sess.run()
后1.增加tf.reset_default_graph()
; 2.添加time.sleep(5)
以防止队列饥饿;
我知道一般的想法,那就是减少Session()中的操作。但是如何?任何人都有解决方案?
这里是我的代码部分:
L3, var_w_list, var_b_list = model_train(IN, FLAGS)
cost = tf.reduce_mean(tf.reduce_sum(tf.square(OUT - L3), reduction_indices=0))
global_step = tf.Variable(0, trainable=False)
learning_rate = tf.train.exponential_decay(FLAGS.base_lr, global_step * FLAGS.batch_size, FLAGS.decay_step, 0.96, staircase=True)
optimizer = tf.train.AdamOptimizer(learning_rate).minimize(cost, global_step = global_step, var_list = var_w_list + var_b_list)
# optimizer = tf.train.MomentumOptimizer(learning_rate, 0.9).minimize(cost, var_list = var_w_list + var_b_list)
cnt = 0
with tf.Session() as sess:
init_op = tf.initialize_all_variables()
sess.run(init_op)
saver = tf.train.Saver()
ckpt = tf.train.get_checkpoint_state(FLAGS.checkpoint_dir)
print('\n\n\n =========== All initialization finished, now training begins ===========\n\n\n')
t_start = time.time()
t1 = t_start
for i in range(1, FLAGS.max_Epoch + 1):
LR_batch, HR_batch = batch.__next__()
global_step += 1
[_, cost1] = sess.run([optimizer, cost], feed_dict = {IN: LR_batch, OUT: HR_batch})
# tf.reset_default_graph()
if i % 100 == 0 or i == 1:
print_step = i
print_loss = cost1/FLAGS.batch_size
test_LR_batch, test_HR_batch = test_batch.__next__()
test_SR_batch = test_HR_batch.copy()
test_SR_batch[:,:,:,0:3] = sess.run(L3, feed_dict = {IN: test_LR_batch[:,:,:,0:3]})
# tf.reset_default_graph()
psnr_tmp = 0.0
ssim_tmp = 0.0
for k in range(test_SR_batch.shape[0]):
com1 = test_SR_batch[k, :, :, 0]
com2 = test_HR_batch[k, :, :, 0]
psnr_tmp += get_psnr(com1, com2, FLAGS.HR_size, FLAGS.HR_size)
ssim_tmp += get_ssim(com1, com2, FLAGS.HR_size, FLAGS.HR_size)
psnr[cnt] = psnr_tmp/test_SR_batch.shape[0]
ssim[cnt] = ssim_tmp/test_SR_batch.shape[0]
ep[cnt] = print_step
t2 = time.time()
print_time = t2 - t1
t1 = t2
print(("[Epoch] : {0:d} [Current cost] : {1:5.8f} \t [Validation PSNR] : {2:5.8f} \t [Duration time] : {3:10.8f} s \n").format(print_step, print_loss, psnr[cnt], print_time))
# tf.reset_default_graph()
cnt += 1
if i % 1000 == 0:
L3_test = model_test(IN_TEST, var_w_list, var_b_list, FLAGS)
output_img = single_HR.copy()
output_img[:,:,:,0:3] = sess.run(L3_test, feed_dict = {IN_TEST:single_LR[:,:,:,0:3]})
tf.reset_default_graph()
subname = FLAGS.img_save_dir + '/' + str(i) + ".jpg"
img_gen(output_img[0,:,:,:], subname)
print(('================= Saving model to {}/model.ckpt ================= \n').format(FLAGS.checkpoint_dir))
time.sleep(5)
# saver.save(sess, FLAGS.checkpoint_dir + '/model.ckpt', print_step)
t_tmp = time.time() - t_start
我的配置是:windows10 + tf1.1 + python3.5 + cuda8.0 + cudnn5.1
======== ================================================== ======
此外,我在最后一层使用像素混合(PS)层而不是反卷积。我复制别人的PS代码,如下所示:
def _phase_shift(I, r):
bsize, a, b, c = I.get_shape().as_list()
bsize = tf.shape(I)[0] # Handling Dimension(None) type for undefined batch dim
X = tf.reshape(I, (bsize, a, b, r, r))
X = tf.transpose(X, (0, 1, 2, 4, 3)) # bsize, a, b, 1, 1
X = tf.split(X, a, 1) # a, [bsize, b, r, r]
X = tf.concat([tf.squeeze(x, axis=1) for x in X], 2) # bsize, b, a*r, r
X = tf.split(X, b, 1) # b, [bsize, a*r, r]
X = tf.concat([tf.squeeze(x, axis=1) for x in X], 2) # bsize, a*r, b*r
return tf.reshape(X, (bsize, a*r, b*r, 1))
def PS(X, r, color=False):
if color:
Xc = tf.split(X, 3, 3)
X = tf.concat([_phase_shift(x, r) for x in Xc], 3)
else:
X = _phase_shift(X, r)
return X
哪X
是4维图像张量,r
装置向上缩放因子,color
确定图像的信道是否是3(YCbCr格式)或1(灰度格式)。
要使用层很简单,就像tf.nn.relu()
做:
L3_ps = PS(L3, scale, True)
现在我不知道该图层是否造成缓行,因为程序使用反褶积层时顺利。使用解卷积层可能是一个解决方案,但由于某些原因我必须使用PS层。
你能不能仅仅调用sess.run调用?这是使用tf运行时的唯一部分,在其他地方可能会出现缓慢。使用tf的方式在循环过程中似乎没有触发任何图形增长(这会导致缓慢)。 –
我已经试过你的建议:计时每一个'[_,cost1] = sess.run([优化器,成本],feed_dict = {IN:LR_batch,OUT:HR_batch})''。我看到每个时代都在放缓。我想知道PS层是否会导致放慢速度,这是在问题描述之后添加的。@AlexandrePassos – Cyiano
我现在正在观察这个确切的问题。你有没有解决它? –