我正在使用以下占位符培训CNN ......
reloadData()我在一个会话中训练它，因为我必须在每次将数据提供给占位符之前重新整形数据，这里大致是我正在做的...
# mnist data image of shape [batch_size, 28, 28, 1].
x = tf.placeholder(tf.float32, [None, 28, 28, 1])
# 0-9 digits recognition => 10 classes.
y = tf.placeholder(tf.float32, [None, 10])
正如您所看到的，我在将数据提供给占位符之前正在重新整理数据。 CNN似乎工作正常，但是当我尝试计算预测的准确性时出现问题。我使用softmax张量和我的with tf.Session() as sess:
for epoch in range(25):
total_batch = int(features.train.num_examples/500)
avg_cost = 0
for i in range(total_batch):
batch_xs, batch_ys = features.train.next_batch(10)
_, c = sess.run([train_op, loss], feed_dict={x:batch_xs.reshape([-1, 28, 28, 1]), y:batch_ys})
...
...
图层预测它...
logits...所以在完成所有训练之后，这就是我计算预测的方法......
# Logits Layer.
# Create a dense layer with 10 neurons => 10 classes
# Output has a shape of [batch_size, 10]
logits = tf.layers.dense(inputs=dropout, units=10)
# Softmax layer for deriving probabilities.
pred = tf.nn.softmax(logits, name="softmax_tensor")
不幸的是，我必须将每个from tensorflow.examples.tutorials.mnist import input_data
...
...
features = input_data.read_data_sets("/tmp/data/", one_hot=True)
...
...
# list of booleans to determine the correct predictions
correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
print(correct_prediction.eval({x:features.test.images.reshape([10000, 28, 28, 1]), y:features.test.labels}))
数据转换为正确的格式，因为占位符features只接受格式x。有10,000个图像和标签。当我这样做时，我的计算机速度非常慢，并且使用了大量计算，我每次都需要重新启动计算机。显然将它们转换为这种格式并不是非常友好。
有什么更好的方法可以避免我的计算机崩溃？我已经将以下代码用于其他神经网络...
[batch_size, 28, 28, 1] ...但我从来没有遇到这个问题让我相信原因源于print(correct_prediction.eval({x:features.test.images, y:features.test.labels}))
功能。
答案 0 :(得分：1)
我可能需要查看整个脚本，但是从提供的代码片段来看，我认为问题在于您正在推动整个测试集进行评估。
请注意，它不仅为输入张量及其池化变换分配10000*28*28*4（30Mb），卷积层在整个批次（仅第一层）中执行大约10000*25*25*1*filter_size个卷积。它的计算成本非常高，而这很可能是整个时间，而不是reshape。
您应该批量执行测试评估。这是简化的代码，需要更加谨慎地使用任意batch_size：
total_accuracy = 0.0
for batch_xs, batch_ys in iterate_batches(features.test, batch_size):
accuracy = correct_prediction.eval({x: batch_xs.reshape([-1, 28, 28, 1]), y: batch_ys})
total_accuracy += np.mean(accuracy)
total_batches = features.test.num_examples / batch_size
total_accuracy /= total_batches
但它适用于batch_size=10或batch_size=100。