Tensorflow嵌入空间不足

Question

我正在尝试在tensorflow上为1,000,000个单词创建一个嵌入。 每个单词都有一个代表该单词的256 float32向量。 问题是我一直用不完内存。 这对我没有意义，因为我的GTX 1080上有8GB的内存。嵌入应该只占用1e6 * 256 * 4 = 1 Gb的内存。 我在输出上还有另一个大小相同的矩阵。 除此之外，还有一些其他张量相比而言应该较小。 因此，我只看到需要大约2-3 GB的内存来存储模型，并且在调用sess.run(tf.initialize_all_variables())时失败。 我所有的记忆都去了哪里，您对我如何解决这个问题有任何建议吗？

import tensorflow as tf
import nltk
import numpy as np
import os
import multiprocessing
import itertools
import pickle
from unidecode import unidecode

BATCH_SIZE = 32
TIME_STEPS = 64
WORD_VEC_SIZE = 256

words, training_data = pickle.load(open('vocab.pickle', 'rb'))
word2index = {w:i for i, w in enumerate(words)}
index2word = {i:w for i, w in enumerate(words)}

input_tensor = tf.placeholder(tf.int32, (BATCH_SIZE, TIME_STEPS + 1), 'input_tensor')
embedding = tf.Variable(tf.random_uniform((len(words), WORD_VEC_SIZE), -1, 1), name = 'embedding')

rnn = tf.nn.rnn_cell.BasicRNNCell(WORD_VEC_SIZE)
state = tf.zeros((BATCH_SIZE, rnn.state_size))
input_vectors = tf.nn.embedding_lookup([embedding], input_tensor[:, :TIME_STEPS])
cost = 0

with tf.variable_scope('rnn') as scope:
    W_out = tf.get_variable('W_out', (WORD_VEC_SIZE, len(words)), initializer = tf.truncated_normal_initializer(0.0, 1 / np.sqrt(WORD_VEC_SIZE)))
    b_out = tf.get_variable('b_out', (len(words), ), initializer = tf.truncated_normal_initializer(0.0, 0.01))
    for t in range(TIME_STEPS):
        y, state = rnn(tf.reshape(input_vectors[:, t, :], (-1, WORD_VEC_SIZE)), state)
        cost += tf.reduce_mean(tf.nn.sampled_softmax_loss(W_out, b_out, y, tf.reshape(input_tensor[:, t + 1], (-1, 1)), 1000, len(words)))
        scope.reuse_variables()

train_step = tf.train.AdamOptimizer(1e-4).minimize(cost)

sess = tf.Session()
sess.run(tf.initialize_all_variables())
saver = tf.train.Saver()

Answer 1

我没有考虑的是AdamOptimizer。 我忘记了这需要为模型中的每个权重存储各种参数。 当我更改为GraidentDecent优化器时，它现在可以安装在我的GPU上。