![](/img/trans.png)
[英]Memory leaking after `tf.keras.Model.fit` is called and training doesn't start
[英]Dataset doesn't fit in memory for LSTM training
我正在尝试创建在大型音乐数据集上训练的模型。 midi 文件被转换成 numpy 数组。 由于 LSTM 需要顺序数据,因此在转换为 LSTM 的序列时,数据集的大小变得如此之大。
我根据基调和持续时间将 MIDI 音符转换为索引,因此我为 C4 键获得了 6 个类。 同样,我从 C3 到 B5,总共 288 节课以及休息时间的课。
单个 MIDI 的转换格式如下所示。
midi = [0,23,54,180,23,45,34,.....];
为了训练 LSTM,x 和 y 变为
x = [[0,23,54..45],[23,54,..,34],...];
y=[[34],[76],...]
x 和 y 中的值进一步转换为 one-hot 编码。 因此,对于 60 个小的中间文件,数据的大小变得很大,但我有 1700 个文件。 如何使用如此数量的文件训练模型。 我检查了 ImageGenerator 但它要求数据位于单独的类目录中。 如何实现这一目标?
您应该在训练过程中即时生成训练数据。 根据tf 文档,您可以编写自己的生成器以用作训练数据,或从Sequence继承。
第一个选项应该看起来像
def create_data_generator(your_files):
raw_midi_data = process_files(your_files)
seq_size = 32
def _my_generator():
i = 0
while True:
x = raw_midi_data[i:i + seq_size]
y = raw_midi_data[i + seq_size]
i = (i + 1) % (len(raw_midi_data) - seq_size)
yield x, y
return _my_generator()
然后调用它(假设 tf >= 2.0)
generator = create_data_generator(your_files)
model.fit(x=generator, ...)
如果您使用的是 Keras团队本身不推荐的“旧”Keras(从 tensorflow 2.0 之前开始),则应改用fit_generator
:
model.fit_generator(generator, ...)
使用此解决方案,您只需将数据存储在内存中一次,不会因重叠序列而重复。
我为这个问题使用了一个生成器类,使用了以下代码。 发电机是为了我的目的而修改的。 内存使用量显着减少。
class Generator(Sequence):
def __init__(self, x_set, y_set, batch_size=4):
self.x, self.y = x_set, y_set
self.batch_size = batch_size
self.indices = np.arange(len(self.x))
def __len__(self):
return int(np.ceil(len(self.x) / self.batch_size))
def __getitem__(self, idx):
inds = self.indices[idx * self.batch_size:(idx + 1) * self.batch_size]
batch_x = []
batch_y = []
for ind in inds:
ip = []
for q in self.x[ind]:
o = np.zeros(323)
o[int(q)] = 1
ip.append(o)
batch_x.append(ip)
hot_encoded = []
for val in self.y[ind]:
t = np.zeros(323)
t[int(val)] = 1
hot_encoded.append(t)
batch_y.append(hot_encoded)
return np.array(batch_x), np.array(batch_y)
def on_epoch_end(self):
# np.random.shuffle(self.indices)
np.random.shuffle(self.indices)
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.