调整CIFAR-10数据集大小时出现内存错误

Question

我正在使用转移学习，使用预先训练的ResNet50模型对CIFAR-10数据集进行分类。但是问题在于此模型接受的最小大小为（197,197），而CIFAR-10数据集的大小为（32,32）。因此，我使用此代码将模型的大小调整为（200,200）

input_list = ['foo','bar','baz']
for i in range(-1,-len(input_list)-1,-1)
    print(input_list[i])

是否有任何有效的方法来执行此操作，因为它会引起# Reshaping the training data X_train_new = np.array([misc.imresize(X_train[i], (200, 200, 3)) for i in range(0, len(X_train))]).astype('float32') # Preprocessing the data, so that it can be fed to the pre-trained ResNet50 model. resnet_train_input = preprocess_input(X_train_new) # Creating bottleneck features for the training data train_features = model.predict(resnet_train_input) # Saving the bottleneck features np.savez('resnet_features_train', features=train_features) 升高。这是回溯：

  

（）中的MemoryError跟踪（最近一次通话最近）         1＃重塑训练数据   ----> 2 X_train_new = np.array（[misc.imresize（X_train [i]，（200，200，3））for i in range（0，len（X_train））]）。astype（'float32' ）         3         4＃预处理数据，以便可以将其输入经过预先训练的ResNet50模型。         5 resnet_train_input =预处理输入（X_train_new）

     

MemoryError：