tensorflow 2.0减少内存占用：稀疏矩阵输入

1.背景

最近在做模型训练，发现在导入大量数据时，由于要进行预处理（concat和reshape操作等），导致内存会占满，使得程序出错。由于输入数据存在大量的稀疏情况，想着能不能输入数据时利用稀疏矩阵进行保存，然后输入到模型中进行训练。

2.稀疏矩阵输入构造

python中scipy.sparse模块，能够有效的对输入数据进行稀疏化存储。但缺点在于稀疏矩阵必定只有两维的操作，但一般图片分类设置到多个维度，因此需要提前把输入数据reshape成两维矩阵。

假设现有的图片大小为[3, 31,31]。其中$31\ast 31$是图片的大小，而$3$是图片channel。有20w的数据，则内存需要提前存储[200000, 3, 31, 31]的容量大小，这对于小内存的机器来说是不可行的。因此需要先把这20w图片进行稀疏化矩阵操作：

• 首先需要循环读取每一张图片，同时进行稀疏化操作

import numpy as np
from scipy.sparse import csr_matrix

input_data = []
with open(file, "r") as f:
	while True:
		line = f.readline()
		if line:
			fig = csr_matrix(np.reshape(line, [3, 31*31]))
			input_data.append(fig)
		else:
			break

• 然后对取得的list进行稀疏化矩阵拼接，会得到一个[200000 * 3, 31*31]的稀疏矩阵，这样就能够有效的在内存中进行存储

from scipy import sparse
input_data = sparse.vstack(input_data)

3.稀疏数据模型训练

3.1 利用tensorflow中的tf.SparseTensor

在tensorflow2.0中，可以包装对应的稀疏矩阵进行输入。

• 首先把scipy的稀疏矩阵，转换成tf.SparseTensor格式

def get_sparse_tensor(input_data):
    indices = list(zip(*input_data.nonzero()))
    return tf.SparseTensor(indices=indices, values=np.float32(input_data.data), dense_shape=input_data.get_shape())

• 然后在模型构建时，需要把输入的数据进行reshape，重新转换成[batch_size, 3, 31, 31]，这样才能用卷积的方法进行训练，核心代码如下：

# 把稀疏矩阵进行reshape操作
input_global_map = tf.sparse.reshape(input_global_map, [-1, 3, 31, 31])
# 把sparsetensor转换成普通tensor，这样模型才能够训练
input_global_map = tf.sparse.to_dense(input_global_map)

3.2 模型的测试的代码

具体可以看github代码，其中“model_conv_pooling.py”是模型的构造代码：

https://github.com/llq20133100095/tensorflow-sparsetensor

最后可以看一下模型参数：