約 使用fast_rcnn_nas模型運行Tensor流對象檢測所需的圖形卡內存

Question

我最近嘗試在k80顯卡上使用fast_rcnn_nas模型運行張量流對象檢測，該顯卡具有可用的11 GB內存。 但是仍然崩潰了，並且由於控制台錯誤，它似乎需要更多的內存。

我的訓練數據集包含1000張大小為400X500（約）的圖像，測試數據包含200張相同大小的圖像。

我想知道運行aster_rcnn_nas模型所需的大概內存是多少，或者通常是否可以知道其他任何模型的內存需求？

Answer 1

Tensorflow還沒有一種簡單的方法來計算內存需求（到目前為止），並且手工計算出來是一件繁重的工作。 您可能只需要在CPU上運行它，然后查看獲得基本編號的過程即可。

但是，解決問題的方法很簡單。 試圖傳遞1000張大小為400x500的圖像是不明智的。 這可能會超過最大的24GB GPU的容量。 您每批只能傳送10張或100張圖像。 您需要拆分批次，並進行多次迭代處理。

實際上，在訓練過程中，您應該隨機抽取圖像樣本並對此進行訓練（這是梯度下降的“隨機”部分）。 這稱為“批量大小”。 對於測試集，您可能會讓所有200張圖像通過（因為您沒有運行backprop），但是如果沒有，那么您也必須拆分測試集（這是很常見的）。