keras通過model.fit_generator訓(xùn)練模型(節(jié)省內(nèi)存)

前言

前段時間在訓(xùn)練模型的時候，發(fā)現(xiàn)當(dāng)訓(xùn)練集的數(shù)量過大，并且輸入的圖片維度過大時，很容易就超內(nèi)存了，舉個簡單例子，如果我們有20000個樣本，輸入圖片的維度是224x224x3，用float32存儲，那么如果我們一次性將全部數(shù)據(jù)載入內(nèi)存的話，總共就需要20000x224x224x3x32bit/8=11.2GB 這么大的內(nèi)存，所以如果一次性要加載全部數(shù)據(jù)集的話是需要很大內(nèi)存的。

如果我們直接用keras的fit函數(shù)來訓(xùn)練模型的話，是需要傳入全部訓(xùn)練數(shù)據(jù)，但是好在提供了fit_generator，可以分批次的讀取數(shù)據(jù)，節(jié)省了我們的內(nèi)存，我們唯一要做的就是實(shí)現(xiàn)一個生成器（generator）。

1.fit_generator函數(shù)簡介

fit_generator(generator,steps_per_epoch=None,epochs=1,verbose=1,callbacks=None,validation_data=None,validation_steps=None,class_weight=None,max_queue_size=10,workers=1,use_multiprocessing=False,shuffle=True,initial_epoch=0)

參數(shù)：

generator：一個生成器，或者一個 Sequence (keras.utils.Sequence) 對象的實(shí)例。這是我們實(shí)現(xiàn)的重點(diǎn)，后面會著介紹生成器和sequence的兩種實(shí)現(xiàn)方式。

steps_per_epoch：這個是我們在每個epoch中需要執(zhí)行多少次生成器來生產(chǎn)數(shù)據(jù)，fit_generator函數(shù)沒有batch_size這個參數(shù)，是通過steps_per_epoch來實(shí)現(xiàn)的，每次生產(chǎn)的數(shù)據(jù)就是一個batch，因此steps_per_epoch的值我們通過會設(shè)為（樣本數(shù)/batch_size）。如果我們的generator是sequence類型，那么這個參數(shù)是可選的，默認(rèn)使用len(generator) 。

epochs：即我們訓(xùn)練的迭代次數(shù)。

verbose：0, 1 或 2。日志顯示模式。 0 = 安靜模式, 1 = 進(jìn)度條, 2 = 每輪一行

callbacks：在訓(xùn)練時調(diào)用的一系列回調(diào)函數(shù)。

validation_data：和我們的generator類似，只是這個使用于驗(yàn)證的，不參與訓(xùn)練。

validation_steps：和前面的steps_per_epoch類似。

class_weight：可選的將類索引（整數(shù)）映射到權(quán)重（浮點(diǎn)）值的字典，用于加權(quán)損失函數(shù)（僅在訓(xùn)練期間）。 這可以用來告訴模型「更多地關(guān)注」來自代表性不足的類的樣本。（感覺這個參數(shù)用的比較少）

max_queue_size：整數(shù)。生成器隊(duì)列的最大尺寸。默認(rèn)為10.

workers：整數(shù)。使用的最大進(jìn)程數(shù)量，如果使用基于進(jìn)程的多線程。 如未指定，workers 將默認(rèn)為 1。如果為 0，將在主線程上執(zhí)行生成器。

use_multiprocessing：布爾值。如果 True，則使用基于進(jìn)程的多線程。默認(rèn)為False。

shuffle：是否在每輪迭代之前打亂 batch 的順序。 只能與Sequence(keras.utils.Sequence) 實(shí)例同用。

initial_epoch: 開始訓(xùn)練的輪次（有助于恢復(fù)之前的訓(xùn)練）

2.generator實(shí)現(xiàn)

2.1生成器的實(shí)現(xiàn)方式

樣例代碼：

from keras.models import Sequential from keras.layers import Dense import numpy as np from PIL import Imagedef process_x(path):img = Image.open(path)img = img.resize((96, 96))img = img.convert('RGB')img = np.array(img)img = np.asarray(img, np.float32) / 255.0# 也可以進(jìn)行進(jìn)行一些數(shù)據(jù)數(shù)據(jù)增強(qiáng)的處理return imgdef generate_arrays_from_file(x_y):# x_y 是我們的訓(xùn)練集包括標(biāo)簽，每一行的第一個是我們的圖片路徑，后面的是圖片標(biāo)簽global countbatch_size = 8while 1:batch_x = x_y[(count - 1) * batch_size:count * batch_size, 0]batch_y = x_y[(count - 1) * batch_size:count * batch_size, 1:]batch_x = np.array([process_x(img_path) for img_path in batch_x])batch_y = np.array(batch_y).astype(np.float32)print("count:" + str(count))count = count + 1yield batch_x, batch_ymodel = Sequential() model.add(Dense(units=1000, activation='relu', input_dim=2)) model.add(Dense(units=2, activation='softmax')) model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy']) count = 1 x_y = [] model.fit_generator(generate_arrays_from_file(x_y), steps_per_epoch=10, epochs=2, max_queue_size=1, workers=1)

在理解上面代碼之前我們需要首先了解yield的用法。

yield關(guān)鍵字：

我們先通過一個例子看一下yield的用法：

def foo():print("starting...")while True:res = yield 4print("res:", res)g = foo() print(next(g)) print("----------") print(next(g))

運(yùn)行結(jié)果：

starting... 4 ---------- res: None 4

帶yield的函數(shù)是一個生成器，而不是一個函數(shù)。因?yàn)閒oo函數(shù)中有yield關(guān)鍵字，所以foo函數(shù)并不會真的執(zhí)行，而是先得到一個生成器的實(shí)例，當(dāng)我們第一次調(diào)用next函數(shù)的時候，foo函數(shù)才開始行，首先先執(zhí)行foo函數(shù)中的print方法，然后進(jìn)入while循環(huán)，循環(huán)執(zhí)行到y(tǒng)ield時，yield其實(shí)相當(dāng)于return，函數(shù)返回4，程序停止。所以我們第一次調(diào)用next(g)的輸出結(jié)果是前面兩行。

然后當(dāng)我們再次調(diào)用next(g)時，這個時候是從上一次停止的地方繼續(xù)執(zhí)行，也就是要執(zhí)行res的賦值操作，因?yàn)?已經(jīng)在上一次執(zhí)行被return了，隨意賦值res為None，然后執(zhí)行print(“res:”,res)打印res: None，再次循環(huán)到y(tǒng)ield返回4，程序停止。

所以yield關(guān)鍵字的作用就是我們能夠從上一次程序停止的地方繼續(xù)執(zhí)行，這樣我們用作生成器的時候，就避免一次性讀入數(shù)據(jù)造成內(nèi)存不足的情況。

現(xiàn)在看到上面的示例代碼：

generate_arrays_from_file函數(shù)就是我們的生成器，每次循環(huán)讀取一個batch大小的數(shù)據(jù)，然后處理數(shù)據(jù)，并返回。x_y是我們的把路徑和標(biāo)簽合并后的訓(xùn)練集，類似于如下形式：

['data/img_4092.jpg' '0' '1' '0' '0' '0' ]

至于格式不一定要這樣，可以是自己的格式，至于怎么處理，根于自己的格式，在process_x進(jìn)行處理，這里因?yàn)槭谴娣诺膱D片路徑，所以在process_x函數(shù)的主要作用就是讀取圖片并進(jìn)行歸一化等操作，也可以在這里定義自己需要進(jìn)行的操作，例如對圖像進(jìn)行實(shí)時數(shù)據(jù)增強(qiáng)。

2.2使用Sequence實(shí)現(xiàn)generator

示例代碼：

class BaseSequence(Sequence):"""基礎(chǔ)的數(shù)據(jù)流生成器，每次迭代返回一個batchBaseSequence可直接用于fit_generator的generator參數(shù)fit_generator會將BaseSequence再次封裝為一個多進(jìn)程的數(shù)據(jù)流生成器而且能保證在多進(jìn)程下的一個epoch中不會重復(fù)取相同的樣本"""def __init__(self, img_paths, labels, batch_size, img_size):# np.hstack在水平方向上平鋪self.x_y = np.hstack((np.array(img_paths).reshape(len(img_paths), 1), np.array(labels)))self.batch_size = batch_sizeself.img_size = img_sizedef __len__(self):# math.ceil表示向上取整# 調(diào)用len(BaseSequence)時返回，返回的是每個epoch我們需要讀取數(shù)據(jù)的次數(shù)return math.ceil(len(self.x_y) / self.batch_size)def preprocess_img(self, img_path):img = Image.open(img_path)resize_scale = self.img_size[0] / max(img.size[:2])img = img.resize((self.img_size[0], self.img_size[0]))img = img.convert('RGB')img = np.array(img)# 數(shù)據(jù)歸一化img = np.asarray(img, np.float32) / 255.0return imgdef __getitem__(self, idx):batch_x = self.x_y[idx * self.batch_size: (idx + 1) * self.batch_size, 0]batch_y = self.x_y[idx * self.batch_size: (idx + 1) * self.batch_size, 1:]batch_x = np.array([self.preprocess_img(img_path) for img_path in batch_x])batch_y = np.array(batch_y).astype(np.float32)print(batch_x.shape)return batch_x, batch_y# 重寫的父類Sequence中的on_epoch_end方法，在每次迭代完后調(diào)用。def on_epoch_end(self):# 每次迭代后重新打亂訓(xùn)練集數(shù)據(jù)np.random.shuffle(self.x_y)

在上面代碼中，__len __和__getitem __，是我們重寫的魔法方法，__len __是當(dāng)我們調(diào)用len(BaseSequence)函數(shù)時調(diào)用，這里我們返回（樣本總量/batch_size），供我們傳入fit_generator中的steps_per_epoch參數(shù)；__getitem __可以讓對象實(shí)現(xiàn)迭代功能，這樣在將BaseSequence的對象傳入fit_generator中后，不斷執(zhí)行g(shù)enerator就可循環(huán)的讀取數(shù)據(jù)了。

舉個例子說明一下getitem的作用：

class Animal:def __init__(self, animal_list):self.animals_name = animal_listdef __getitem__(self, index):return self.animals_name[index]animals = Animal(["dog", "cat", "fish"]) for animal in animals:print(animal)

輸出結(jié)果：

dog cat fish

并且使用Sequence類可以保證在多進(jìn)程的情況下，每個epoch中的樣本只會被訓(xùn)練一次。

參考yield方法：

?

?

總結(jié)

以上是生活随笔為你收集整理的2020-12-11 keras通过model.fit_generator训练模型(节省内存)的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。