Question

我想了解如何使用卷积神经网络为高分辨率生成低分辨率图像。

是否有必要在网络上使用较小的输入图像，而输出的图像尺寸是原来的两倍？

我制作了以下模型：

w,h,c=x_train[0].shape


input = Input(shape=(w,h,c),name='LR')
x = UpSampling2D(size=(2,2), name='UP')(input)
h = Dense(720, activation='relu', name ='hide')(x)
h2= Dense(1280, activation='relu', name ='hide2')(h)
output= Dense(3, activation='relu', name ='output')(h2)


model = Model(inputs=input, outputs=output)
model.compile(loss='mse', optimizer='adam', metrics=['accuracy'])
model.fit(x_train,y_train, epochs=50, verbose=0)

Y_train的大小是x_train的两倍。

但是我收到以下错误消息：

ResourceExhaustedError: OOM when allocating tensor with shape[4608000,720] and type float on /job:localhost/replica:0/task:0/device:CPU:0 by allocator cpu
     [[{{node hide/MatMul}}]]
Hint: If you want to see a list of allocated tensors when OOM happens, add report_tensor_allocations_upon_oom to RunOptions for current allocation info

我在做什么错了？

Answer 1

这种内存不足（OOM）错误是典型的大批处理大小，根本无法容纳到您的内存中。

我做了model.fit(x_train,y_train,batch_size=1024, epochs=50, verbose=0) 并且结果超过了系统内存的10％。

1024的声音太大了。从 small 开始（例如〜64），然后以2的幂逐渐增加（例如128、256 ...），直到获得足够大的批量大小，仍然可以容纳您的内存。

How to calculate optimal batch size中的一般性讨论也可能会有所帮助...

尝试实现超分辨率模型时出现内存不足错误

1 个答案: