为什么内核在训练开始后很快就死了？

Question

我正在尝试为我拥有的数据集构建一个生成模型。 我使用 tensorflow 使用了一堆 Conv2DTranspose 层。 这是我的代码：

model = Sequential()

model.add(Conv2DTranspose(filters=2, kernel_size=3, input_shape = (2,2,1)))

for i in range(37):
    
    model.add(Conv2DTranspose(filters = 2*i, kernel_size = 3))
        

model.add(Conv2DTranspose(filters = 3, kernel_size=3))


model.compile(optimizer = 'Adam', loss='mean_squared_error')

model.fit(labels, ims, batch_size=32, epochs = 100) 

输入的大小为 (2,2,1)，输出是一个 (80,80,3) 数组，它应该是一个图像。 当我运行代码时，当涉及到训练模型时，这意味着包含以下内容的行：

model.fit()

一切停止，运行停止，没有显示任何错误或警告。 我尝试使用 Jupyter notebook 和简单的 .py 文件运行此代码。 两种情况的结果都是一样的。 顺便说一下，我试图用来运行代码的系统是一台普通的台式机，只使用 CPU 和 RAM（不包括 GPU，RAM 容量 = 32 GB）。 我怎样才能解决这个问题？

Answer 1

这是因为这一行中的一个错误：

for i in range(37):  
    model.add(tf.keras.layers.Conv2DTranspose(filters = 2*i, kernel_size = 3))

当您将每层过滤器设置为2*i ，第一层过滤器将为0因为i是0 。 因此，您的第二层输出形状将类似于(None,6,6,0) ，这是没有意义的，并且由于 tf 库无法处理此问题，因此内核会死亡。 因此，我认为您可以将此行更改为这样的内容以避免错误：

for i in range(37):  
    model.add(tf.keras.layers.Conv2DTranspose(filters = 2*(i+1), kernel_size = 3))