Keras 快速解决快速解决OOM超内存的问题超内存的问题
如果在Keras内部多次使用同一个Model,例如在不同的数据集上训练同一个模型进而得到结果,会存在内存泄露的问题。在
运行几次循环之后,就会报错OOM。
解决方法是在每个代码后面接clear_session()函数,显示的关闭TFGraph,再重启。
详情参考 https://keras.io/backend/#backend-functions。
from keras import backend as K
K.clear_session()
补充知识:补充知识:Keras多次加载模型进行测试时内存溢出的解决方法多次加载模型进行测试时内存溢出的解决方法
在进行实验的过程中,保存了每个epoch的模型参数文件,需要验证每个保存的模型的效果,想到直接简单粗暴的手法,就是
一个循环里加载模型并进行验证,但是导致随着加载的模型越来越多,速度越来越慢。
方法如下:方法如下:在每次加载模型之前,清空模型占用的内存即可。
import tensorflow as tf
from keras import backend as K
K.clear_session()
tf.reset_default_graph()
‘'‘加载模型位置'‘'
更多内容信息,可以参见官网介绍https://keras.io/api/utils/backend_utils/
以上这篇Keras 快速解决OOM超内存的问题就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支
持软件开发网。
您可能感兴趣的文章您可能感兴趣的文章:解决TensorFlow GPU版出现OOM错误的问题使用Keras加载含有自定义层或函数的模型操作keras 解决
加载lstm+crf模型出错的问题浅谈keras中的目标函数和优化函数MSE用法