引言
前段时间在做一门课程的期末大作业的时候,用到了TensorFlow,构建了含有两层卷积层的神经网络去做 交通标志的识别,一开始使用 24x24 的图像作为输入(把数据集的图像都resize为24x24)后来感觉应该设计大一点会可靠一点,那就想把输入的图像都改为 64x64 的大小,相应修改了网络一些参数后,run的时候发现出问题了,我还以为是代码没有改好,仔细看一下提示信息:run out of memory 。原来是是内存不足
那在了解到情况后,就上网找方法,于是乎,找到了个普遍的解决方法:使用mini_batch方法训练,好,那下面就是一些整理网上的资料了
什么是Mini_Batch方法
点这里可以看比较简略的介绍。
先简单介绍一下这三个常见的名词:batch_size ,iteration,epoch
- batchsize:批大小。在深度学习中,一般采用SGD训练,即每次训练在训练集中取batchsize个样本训练;
- iteration:1个iteration等于使用batchsize个样本训练一次;
- epoch:1个epoch等于使用训练集中的全部样本训练一次
总体来说Mini_Batch就是介于SGD(随机梯度下降)和BGD(批梯度下降)之间的一种比较不错的方法,batch_size选择合适了,既能提高训练速度,又能求得一个逼近全局最优解的结果(但是在实际运用中应该要多次修改才能获得合适的size),点这里可以看一些关于怎么选择好batch_size的建议
怎么实现?
那问题来了,怎么在tensorflow中实现Mini_batch训练呢?一开始我的数据集是使用pickle存在硬盘上的
with open( 'images.pkl') as f:
# training_images 就是存储了很多的使用opencv读取的图像,它们的类型都是np.array
training_images = pickle.load(f)
那如果是按照顺序读取,每次从取training_images的一部分,然后再取它的下一部分,似乎很容易实