引言
-
前段时间在做一门课程的期末大作业的时候，用到了TensorFlow,构建了含有两层卷积层的神经网络去做 交通标志的识别，一开始使用 24x24 的图像作为输入（把数据集的图像都resize为24x24）后来感觉应该设计大一点会可靠一点，那就想把输入的图像都改为 64x64 的大小，相应修改了网络一些参数后，run的时候发现出问题了，我还以为是代码没有改好，仔细看一下提示信息：run out of memory 。原来是是内存不足
-
那在了解到情况后，就上网找方法，于是乎，找到了个普遍的解决方法：使用mini_batch方法训练，好，那下面就是一些整理网上的资料了
什么是Mini_Batch方法
点这里可以看比较简略的介绍。
先简单介绍一下这三个常见的名词：batch_size ,iteration,epoch
- batchsize：批大小。在深度学习中，一般采用SGD训练，即每次训练在训练集中取batchsize个样本训练；
- iteration：1个iteration等于使用batchsize个样本训练一次；
- epoch：1个epoch等于使用训练集中的全部样本训练一次
总体来说Mini_Batch就是介于SGD(随机梯度下降)和BGD(批梯度下降)之间的一种比较不错的方法，batch_size选择合适了，既能提高训练速度，又能求得一个逼近全局最优解的结果（但是在实际运用中应该要多次修改才能获得合适的size），点这里可以看一些关于怎么选择好batch_size的建议
怎么实现?
那问题来了，怎么在tensorflow中实现Mini_batch训练呢？一开始我的数据集是使用pickle存在硬盘上的
with open( 'images.pkl') as f:
# training_images 就是存储了很多的使用opencv读取的图像，它们的类型都是np.array
training_images = pickle.load(f)
那如果是按照顺序读取，每次从取training_images的一部分，然后再取它的下一部分，似乎很容易实现，但是如果每次喂进去的样本没有随机性的话，那似乎便失去了Mini Batch的意义，如果想实现随机取的话，似乎不太容易，那我们可以利用tensorflow，制作适合Tensorflow的数据集TFRecords
简单制作TFRecords
使用TFRecord有什么好处，能把它转成二进制，tensorflow对它会加速。处理起来更快；可以配合tensorflow里的函数，配合使用起来更方便
直接上代码（参考网上）
with open('Training_images64x64.pkl') as f1,open('Training_labels.pkl') as f2:
print "loading...,please waitting for few seconds"
images = pickle.load(f1) # 数据
labels = pickle.load(f2) # 样本标签
# 构建一个writer,待会用来把TFRecords写入硬盘的
writer = tf.python_io.TFRecordWriter("train.tfrecords")
num = len(labels)
print "the total account of the samples:",num
for i in range(num):
# build tf record
label = eval(labels[i]) # 写入的标签是要数字
img = images[i]
img_raw = img.tobytes() # TFRecord 要把它转化成字节
# 重点，开始映射了
example = tf.train.Example(features=tf.train.Features(feature={
"label": tf.train.Feature(int64_list=tf.train.Int64List(value=[label])),
'img_raw': tf.train.Feature(bytes_list=tf.train.BytesList(value=[img_raw]))
}))
# 写入到硬盘
writer.write(example.SerializeToString()) # Serialize To String
print "all Done"
# 结束，close。跟文件操作挺类似的
writer.close()
读取并使用TFRecords
首先先定义一个读取 TFRecords的函数吧
# 使用队列读取数据，这个队列在tensorflow里面有特别的含义
# 把数据放在队列里有很多好处，可以完成训练数据和测试数据的解耦
def read_and_decode(filename):
# 根据文件名生成一个队列
filename_queue = tf.train.string_input_producer([filename])
# 定义reader，跟之前定义writer是对应的
reader = tf.TFRecordReader()
_, serialized_example = reader.read(filename_queue) #返回文件名和文件
features = tf.parse_single_example(serialized_example,
features={
'label': tf.FixedLenFeature([], tf.int64),
'img_raw' : tf.FixedLenFeature([], tf.string),
})
img = tf.decode_raw(features['img_raw'], tf.uint8)
# 下面这个reshape 可以根据自己的需要来决定要不要重新定义大小
# img = tf.reshape(img, [224, 224, 3])
# 转化为tensorflow 的 float32，
img = tf.cast(img, tf.float32) * (1. / 255) - 0.5
label = tf.cast(features['label'], tf.int32)
return img, label
接下来是怎么使用的问题了。假设已经定义好计算图了
假设计算图是已经定义好的 为 graph
# 先度硬盘上读取出来，利用上面定义好的函数
img, label = read_and_decode("train.tfrecords")
sess = tf.Session(graph=graph) # 定义回话
init.run(session=sess) # 初始化
# 启动队列线程
threads = tf.train.start_queue_runners(sess=sess)
sess.run(fetches=init,feed_dict={images_ph:training_images, labels_ph:training_labels})
# ！！！划重点了！！！
# 使用shuffle_batch，tensorflow可以有效地帮我们随机从训练数据中随机抽出batch_size个数据样本
image_batch ,label_batch = tf.train.shuffle_batch([img, label] ,batch_size=30)
# 上面这个函数，还有capacity等其他参数，作用还未明白
# image_train ,label_train = tf.train.shuffle_batch([img, label] ,batch_size=30, capacity=2000,min_after_dequeue=1000)
iteration_times = 2000 # 假定迭代次数为200
# 开始训练
for i in range(0,iteration_times):
# 每次都要run一次，否则取不到说好的batch的数据哟
sess.run([image_train,label_train])
# 接下来就可以把image_train,label_train
# 喂给你的训练节点了
_, loss_value =sess.run(
[train_op,loss],
feed_dict={images_ph: image_train, labels_ph:label_train}
)
# 其他代码
训练完之后别忘记保存模型参数哟，具体的介绍可以看我的另一篇文章
小结一下
我在自己的问题上，在实际训练的时候，使用实验室的带GPU的服务器，训练的结果有些慢，损失loss震荡比较厉害，一直没有收敛，可能还是网络设计的有问题吧。
后来在提交作业的时候，选择了32x32的输入图像（梯度下降法，没有使用分批训练），反而在测试集上的准确率比较高，对于Mini_batch的训练方法。batch_size的选择还是缺少指导方针呀。大过小都不好，实践是检验真理的唯一标准呀，此次作业收获良多。
网友评论