Я разместил вопрос об Авто Энкодере (AutoEncoder).
Я установил следующую программу, но теперь, когда я вводю изображение размером 160 пикселей по горизонтали на 120 пикселей, возникает «ResourceExhaustedError», и я не могупродолжить обучение.В частности, Ошибка возникает в строке 130. С другой стороны, если вы установите разрешение равным половине ширины 80 по вертикали 60 пикселей, кажется, что EPOC продвигается и обучение продвигается вперед.(Он делит изображение по программе 2 и делает его маленьким.)
Я думаю, что размер изображения (ширина 160 х 120 пикселей) и количество листов (около 700 листов) не особенно велики, нопочему нельзя научить, почему возникает ошибка и как ее решить?Учитывая вероятность того, что основной памяти может быть недостаточно, я сделал 128 ГБ памяти, но возникает та же ошибка.
Пожалуйста, помогите мне.Спасибо.
Среда описана ниже.
Процессор: Xeon E5-1620v4 4core / 8t
Материнская плата: ASUS X99-E WS
Память: DDR4-2400 64 ГБ (8 Г × 8)
GPU: NVIDIA Quadro GP100 × 2 16 ГБ
ОС: Ubuntu 16,04 LTS
Вот исходный код
import numpy as np
import tensorflow as tf
from tensorflow.python.framework import ops
import cv2
import os
DATASET_PATH = "/home/densos/workspaces/autoencoder"
DIR_PATH = "input_gray_160*120"
IMAGE_PATH = os.path.join(DATASET_PATH, DIR_PATH)
X_PIXEL, Y_PIXEL = 160, 120
M = 1
N_HIDDENS = np.array(np.array([1.5]) * X_PIXEL * Y_PIXEL // (M*M), dtype = np.int)
TRANCE_FRAME_NUM = 700
ops.reset_default_graph()
def xavier_init(fan_in, fan_out, constant = 1):
low = -constant * np.sqrt(6.0 / (fan_in + fan_out))
high = constant * np.sqrt(6.0 / (fan_in + fan_out))
return tf.random_uniform((fan_in, fan_out), minval = low, maxval = high, dtype = tf.float32)
class AdditiveGaussianNoiseAutoencoder(object):
def __init__(self, n_input, n_hidden, transfer_function = tf.nn.sigmoid, optimizer = tf.train.AdamOptimizer(), scale = 0.1):
self.n_input = n_input
self.n_hidden = n_hidden
self.transfer = transfer_function
self.scale = tf.placeholder(tf.float32)
self.training_scale = scale
network_weights = self._initialize_weights()
self.weights = network_weights
self.sparsity_level = np.repeat([0.05], self.n_hidden).astype(np.float32)
self.sparse_reg = 0.1
# model
self.x = tf.placeholder(tf.float32, [None, self.n_input])
self.hidden = self.transfer(tf.add(tf.matmul(self.x + scale * tf.random_normal((n_input,)),
self.weights['w1']),
self.weights['b1']))
self.reconstruction = tf.add(tf.matmul(self.hidden, self.weights['w2']), self.weights['b2'])
# cost
self.cost = 0.5 * tf.reduce_sum(tf.pow(tf.subtract(self.reconstruction, self.x), 2.0)) + self.sparse_reg \
* self.kl_divergence(self.sparsity_level, self.hidden)
self.optimizer = optimizer.minimize(self.cost)
init = tf.global_variables_initializer()
self.sess = tf.Session()
self.sess.run(init)
def _initialize_weights(self):
all_weights = dict()
all_weights['w1'] = tf.Variable(xavier_init(self.n_input, self.n_hidden))
all_weights['b1'] = tf.Variable(tf.zeros([self.n_hidden], dtype = tf.float32))
all_weights['w2'] = tf.Variable(tf.zeros([self.n_hidden, self.n_input], dtype = tf.float32))
all_weights['b2'] = tf.Variable(tf.zeros([self.n_input], dtype = tf.float32))
return all_weights
def partial_fit(self, X):
cost, opt = self.sess.run((self.cost, self.optimizer), feed_dict = {self.x: X,
self.scale: self.training_scale
})
return cost
def kl_divergence(self, p, p_hat):
return tf.reduce_mean(p * tf.log(p) - p * tf.log(p_hat) + (1 - p) * tf.log(1 - p) - (1 - p) * tf.log(1 - p_hat))
def calc_total_cost(self, X):
return self.sess.run(self.cost, feed_dict = {self.x: X,
self.scale: self.training_scale
})
def transform(self, X):
return self.sess.run(self.hidden, feed_dict = {self.x: X,
self.scale: self.training_scale
})
def generate(self, hidden = None):
if hidden is None:
hidden = np.random.normal(size = self.weights["b1"])
return self.sess.run(self.reconstruction, feed_dict = {self.hidden: hidden})
def reconstruct(self, X):
return self.sess.run(self.reconstruction, feed_dict = {self.x: X,
self.scale: self.training_scale
})
def getWeights(self):
return self.sess.run(self.weights['w1'])
def getBiases(self):
return self.sess.run(self.weights['b1'])
def get_random_block_from_data(data, batch_size):
start_index = np.random.randint(0, len(data) - batch_size)
return data[start_index:(start_index + batch_size)]
if __name__ == '__main__':
#get input data lists
lists = []
for file in os.listdir(IMAGE_PATH):
if file.endswith(".jpeg"):
lists.append(file)
lists.sort()
#read input data
input_images = []
for image in lists:
tmp = cv2.imread(os.path.join(IMAGE_PATH, image), cv2.IMREAD_GRAYSCALE)
tmp = cv2.resize(tmp, (X_PIXEL // M, Y_PIXEL // M))
tmp = tmp.reshape(tmp.shape[0] * tmp.shape[1])
input_images.append(tmp)
#preprocess images
input_images = np.array(input_images) / 255.
#convert data to float16
input_images = np.array(input_images, dtype = np.float16)
#set train and test data
X_train = input_images[:500]
X_test = input_images[500:]
n_samples = X_train.shape[0]
training_epochs = 200
batch_size = X_train.shape[0] // 4
display_step = 10
autoencoder = AdditiveGaussianNoiseAutoencoder(n_input = X_train.shape[1],
n_hidden = N_HIDDENS[0],
transfer_function = tf.nn.relu6,
optimizer = tf.train.AdamOptimizer(learning_rate = 0.001),
scale = 0.01)
for epoch in range(training_epochs):
avg_cost = 0.
total_batch = int(n_samples / batch_size)
# Loop over all batches
for i in range(total_batch):
batch_xs = get_random_block_from_data(X_train, batch_size)
# Fit training using batch data
cost = autoencoder.partial_fit(X_train)
# Compute average loss
avg_cost += cost / n_samples * batch_size
# Display logs per epoch step
if epoch % display_step == 0:
print("Epoch:", '%04d' % (epoch + 1), "cost=", avg_cost)
print("Finish Train")
predicted_imgs = autoencoder.reconstruct(X_test)
predicted_imgs = np.array((predicted_imgs) * 255, dtype = np.uint8)
input_imgs = np.array((X_test) * 255, dtype = np.uint8)
# plot the reconstructed images
for i in range(100):
im1 = predicted_imgs[i].reshape((Y_PIXEL//M, X_PIXEL//M))
im2 = input_imgs[i].reshape((Y_PIXEL//M, X_PIXEL//M))
img_v_union = cv2.vconcat([im1, im2])
cv2.moveWindow('result.jpg', 100, 200)
cv2.imshow('result.jpg', img_v_union)
cv2.waitKey(33)