keras 深度學(xué)習(xí)框架中g(shù)et_value函數(shù)運(yùn)行越來越慢，內(nèi)存消耗越來越大問題

問題描述

如上圖所示，經(jīng)過時(shí)間和內(nèi)存消耗跟蹤測試，發(fā)現(xiàn)是keras.backend.get_value() 函數(shù)導(dǎo)致的程序越來越慢，而且嚴(yán)重的造成內(nèi)存泄露；

查看該函數(shù)內(nèi)部實(shí)現(xiàn)，發(fā)現(xiàn)一個(gè)主要核心是x.eval(session=get_session()),該語句可能是導(dǎo)致內(nèi)存泄露和運(yùn)行慢的核心語句； 根據(jù)查看一些博文得到了運(yùn)行得越來越慢的

原因：該x.eval函數(shù)會添加新的節(jié)點(diǎn)到tf的圖中；而這也導(dǎo)致了tf的圖越來越大，內(nèi)存泄露；

解決方法

import tensorflow.keras.backend as K

def get_my_session(gpu_fraction=0.1):
    '''Assume that you have 6GB of GPU memory and want to allocate ~2GB'''

    num_threads = os.environ.get('OMP_NUM_THREADS')
    gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=gpu_fraction)

    if num_threads:
        return tf.Session(config=tf.ConfigProto(
            gpu_options=gpu_options, intra_op_parallelism_threads=num_threads))
    else:
        return tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))

K.set_session(get_my_session())

如上圖所示， 我在使用tensorflow之前(也就是該工程文件前面)，對session進(jìn)行自定義，然后用自定義的session設(shè)定keras.backend.set_session();

然后刪除get_value() 函數(shù)，直接用get_value()中所使用的執(zhí)行語句x.eval(session=get_my_session())；這樣這個(gè)添加節(jié)點(diǎn)導(dǎo)致內(nèi)存泄露的核心語句x.eval()就使用的是該工程統(tǒng)一自定義session，然后用tf.reset_default_graph() 對圖重置就可以了

即上圖問題代碼修改為：

output = ctc_decode(y_pred,input_length=input_length,)
output = output[0][0]
out = output.eval(session=get_my_session())
# 刪除 K.get_value(out[0][0])
tf.reset_default_graph() # 然后重置tf圖，這句很關(guān)鍵

這樣就解決了get_value()導(dǎo)致的越來越慢的問題；

個(gè)人認(rèn)為：這樣可能就不會總是添加新的節(jié)點(diǎn)，導(dǎo)致tf圖不斷地?zé)o限變大；而是重復(fù)使用這一個(gè)自定義的節(jié)點(diǎn)。

補(bǔ)充：tensorflow與keras之間版本問題引起get_session問題解決辦法

1.產(chǎn)生報(bào)錯原因

import tensorflow.keras.backend as K
def __init__(self, **kwargs):
    self.__dict__.update(self._defaults) # set up default values
    self.__dict__.update(kwargs) # and update with user overrides
    self.class_names = self._get_class()
    self.anchors = self._get_anchors()
    self.sess = K.get_session()

報(bào)錯如下：

get_session is not available when using TensorFlow 2.0.

意思是 tf2.0 沒有 get_session

2.解決方案1

import tensorflow.python.keras.backend as K
sess = K.get_session()

3. 解決方案2

import tensorflow as tf
sess = tf.compat.v1.keras.backend.get_session()

之前一直采用方案1 解決，感覺比較方便；但是解決方案1 有其它屬性會丟失問題

比如AttributeError: module ‘keras.backend' has no attribute image_dim_ordering

所以建議大家采用方案2

以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

最新評論