在Tensorflow中使用tf.data從文本文件導入數據時，內存已用盡

Question

我想使用tensorflow訓練RNN和密集模型，數據文件太大而無法輸入到內存，因此我使用tf.data模塊從文件生成批處理數據。

數據分為7部分：

第一列：atom_length;

第二列：relation_length;

第3〜1502列：原子信息

1503〜2202欄：相關信息

2203〜3602欄：蛋白質信息

3603欄：protein_length

最后一欄：標簽

代碼如下：

import tensorflow as tf
import time

NUM_EPOCHS=10
BATCH_SIZE=128

# default column types
default_column_value = [[0] for i in range(2)]
default_column_value.extend([[0.0] for i in range(3600)])
default_column_value.extend([[0] for i in range(2)])

# using tf.data module to generate the dataset and an iterator
filenames=tf.constant(["F:\\train1_2.txt"])
dataset = tf.data.TextLineDataset(filenames)
dataset = dataset.map(lambda line: tf.decode_csv(
                line,         record_defaults=default_column_value)).repeat(NUM_EPOCHS).shuffle(buffer_size=1000).batch(BATCH_SIZE)
iterator = dataset.make_initializable_iterator()
next_element = iterator.get_next()

# stack specific columns, these are the data used for feeding to the placeholders
atom_length=next_element[0]
relation_length=next_element[1]
atom = tf.stack(next_element[2:1502],axis=1)
relation = tf.stack(next_element[1502:2202],axis=1)
protein_sequence = tf.stack(next_element[2202:3602],axis=1)
protein_length= next_element[-2]
labels = next_element[-1]

with tf.Session() as sess:
    tf.global_variables_initializer().run()
    tf.local_variables_initializer().run()
    sess.run(iterator.initializer)
    step=0
    epoch=1
    try:
        epoch_start_time=time.time()
        while(True):
            one_step_time=time.time()
            step=step+1
            if step%(int(489548//BATCH_SIZE+1))==0:
                print("epoch_used_time:"+str(time.time()-epoch_start_time))
                epoch_start_time=time.time()
                epoch+=1
            # generate the batch data used for training
            cur_atom_length_batch,cur_relation_length_batch,cur_protein_length_batch,cur_atom_batch,cur_relation_batch,cur_protein_sequence_batch,cur_labels_batch=sess.run(
                [atom_length,relation_length,protein_length,atom,relation,protein_sequence,labels])

            input_labels=sess.run(tf.one_hot(cur_labels_batch,depth=2,on_value=1,off_value=0))

        print("cur_atom_length_batch:",cur_atom_length_batch)
        print("cur_relation_length_batch:",cur_relation_length_batch)
        print("cur_atom_batch:",cur_atom_batch)
        print("cur_protein_length_batch:",cur_protein_length_batch)
    except tf.errors.OutOfRangeError:
        print("end of epochs.")
        pass
    finally:
        print('epoch time:',time.time()-epoch_start_time)

當我運行代碼時，盡管數據是成批生成的，但是本地內存使用率卻越來越高。

train1_2.txt文件為3.75GB，即使第1個紀元訓練尚未完成，32GB的本地內存也幾乎用完了！ 這可能是什么原因？ 我的代碼有什么問題？

我在其中使用的環境是GTX1080 GPU，i7處理器，32GB內存，Windows 7。

Answer 1

代碼的主要問題是，每次迭代都向計算圖添加新操作。 看到這一行：

input_labels=sess.run(tf.one_hot(cur_labels_batch,depth=2,on_value=1,off_value=0))

在此處調用tf.one_hot將為圖形添加新操作。 您可以在每個批次中添加這樣的操作。 您要做的是將該操作放在訓練循環之外，然后在訓練循環中評估其輸出，而不是創建一個新的訓練，如下所示：

one_hot = tf.one_hot(cur_labels_batch,depth=2,on_value=1,off_value=0)
# other necessary code here
while training:
    # ....
    other_ops_result, input_labels = sess.run([other_ops, one_hot])

經驗法則：請勿在訓練循環內調用任何tf名稱空間操作，除非您明確希望向計算圖添加新操作。 請記住，一旦添加，就無法刪除它，除非有必要，否則可能會減慢您的代碼和/或增加內存消耗。

Answer 2

我聽說這是人們在使用張量流時遇到的常見錯誤。 所以我做了研究。我想知道代碼中下面的兩行是否正常工作。

tf.global_variables_initializer().run()
tf.local_variables_initializer().run()
sess.run(iterator.initializer)

1. 前兩行不是重復嗎？
2. 以下不是正確的實現嗎？

session.run(tf.global_variables_initializer())

3. 此處不確定，請檢查此鏈接 。 你可以嘗試使用

feed_dict內部參數sess.run()而不是使用其他tf的內部操作sess.run()