web-dev-qa-db-ja.com

Keras：ハイパーパラメータグリッド検索を実行するとメモリが不足します

ハイパーパラメータグリッド検索を実行するために、複数のネストされたループを実行しています。ネストされた各ループはハイパーパラメーター値のリストを実行し、最も内側のループ内で、ジェネレーターを使用して毎回Kerasシーケンシャルモデルが構築および評価されます。 （私はトレーニングを行っていません。モデルをランダムに初期化してから複数回評価してから、平均損失を取得しています）。

私の問題は、このプロセス中に、KerasがGPUメモリをいっぱいにしているように見えるため、最終的にOOMエラーが発生することです。

モデルが評価されるたびにこれを解決してGPUメモリを解放する方法を知っている人はいますか？

モデルが評価された後は、モデルはまったく必要ありません。内側のループの次のパスで新しいモデルを作成する前に、毎回完全に破棄できます。

Tensorflowバックエンドを使用しています。

これがコードですが、その多くは一般的な問題とは関係ありません。モデルは4番目のループ内に構築されています。

for fsize in fsizes:

モデルの構築方法の詳細はそれほど重要ではないと思いますが、とにかくすべてがここにあります。

model_losses = []
model_names = []

for activation in activations:
    for i in range(len(layer_structures)):
        for width in layer_widths[i]:
            for fsize in fsizes:

                model_name = "test_{}_struc-{}_width-{}_fsize-{}".format(activation,i,np.array_str(np.array(width)),fsize)
                model_names.append(model_name)
                print("Testing new model: ", model_name)

                #Structure for this network
                structure = layer_structures[i]

                row, col, ch = 80, 160, 3  # Input image format

                model = Sequential()

                model.add(Lambda(lambda x: x/127.5 - 1.,
                          input_shape=(row, col, ch),
                          output_shape=(row, col, ch)))

                for j in range(len(structure)):
                    if structure[j] == 'conv':
                        model.add(Convolution2D(width[j], fsize, fsize))
                        model.add(BatchNormalization(axis=3, momentum=0.99))
                        if activation == 'relu':
                            model.add(Activation('relu'))
                        if activation == 'elu':
                            model.add(ELU())
                            model.add(MaxPooling2D())
                    Elif structure[j] == 'dense':
                        if structure[j-1] == 'dense':
                            model.add(Dense(width[j]))
                            model.add(BatchNormalization(axis=1, momentum=0.99))
                            if activation == 'relu':
                                model.add(Activation('relu'))
                            Elif activation == 'elu':
                                model.add(ELU())
                        else:
                            model.add(Flatten())
                            model.add(Dense(width[j]))
                            model.add(BatchNormalization(axis=1, momentum=0.99))
                            if activation == 'relu':
                                model.add(Activation('relu'))
                            Elif activation == 'elu':
                                model.add(ELU())

                model.add(Dense(1))

                average_loss = 0
                for k in range(5):
                    model.compile(optimizer="adam", loss="mse")
                    val_generator = generate_batch(X_val, y_val, resize=(160,80))
                    loss = model.evaluate_generator(val_generator, len(y_val))
                    average_loss += loss

                average_loss /= 5

                model_losses.append(average_loss)

                print("Average loss after 5 initializations: {:.3f}".format(average_loss))
                print()
pythonmemory-managementout-of-memorykerasgrid-search
15
Alex

示されているように、使用されているバックエンドはTensorflowです。 Tensorflowバックエンドでは、現在のモデルは破棄されないため、セッションをクリアする必要があります。

モデルの使用後、次のように入力します。

if K.backend() == 'tensorflow':
    K.clear_session()

バックエンドを含める：

from keras import backend as K

また、sklearnラッパーを使用してグリッド検索を行うこともできます。この例を確認してください： ここ 。また、より高度なハイパーパラメータ検索には、 hyperas を使用できます。

17
indraforyou

Indraforyouから提供されたヒントを使用して、GridSearchCVに渡す関数内のTensorFlowセッションをクリアするコードを次のように追加しました。

def create_model():
    # cleanup
    K.clear_session()

    inputs = Input(shape=(4096,))
    x = Dense(2048, activation='relu')(inputs)
    p = Dense(2, activation='sigmoid')(x)
    model = Model(input=inputs, outputs=p)
    model.compile(optimizer='SGD',
              loss='mse',
              metrics=['accuracy'])
    return model

そして、グリッド検索を呼び出すことができます。

model = KerasClassifier(build_fn=create_model)
grid = GridSearchCV(estimator=model, param_grid=param_grid, n_jobs=1)

動作するはずです。

乾杯！

3
Andrey Kuehlkamp