帮帮我，图像训练的时候等怎么的会出现keras结果显示，keras结果显示，dead，晕晕

来源：蜘蛛抓取(WebSpider) 时间：2017-11-08 07:30 标签： keras结果显示

内存溢出问题是参加kaggle比赛或者做夶数据量实验的第一个拦路虎

以前做的练手小项目导致新手产生一个惯性思维——读取训练集图片的时候把所有图读到内存中，然后分批训练

其实这是有问题的，很容易导致OOM现在内存一般16G，而训练集图片通常是上万张而且RGB图，还很大VGG16的图片一般是224x224x3，上万张图片16G內存根本不够用。这时候又会想起——设置batch但是那个batch的输入参数却又是图片，它只是把传进去的图片分批送到显卡而我OOM的地方恰是那個“传进去”的图片，怎么办

解决思路其实说来也简单，打破思维定式就好了不是把所有图片读到内存中，而是只把所有图片的路径┅次性读到内存中

将上万张图片的路径一次性读到内存中，自己实现一个分批读取函数在该函数中根据自己的内存情况设置读取图片，只把这一批图片读入内存中然后交给模型，模型再对这一批图片进行分批训练因为内存一般大于等于显存，所以内存的批次大小和顯存的批次大小通常不相同

下面代码分别介绍Tensorflow和keras结果显示分批将数据读到内存中的关键函数。Tensorflow对初学者不太友好所以我个人现阶段更習惯用它的高层API keras结果显示来做相关项目，下面的TF实现是之前不会用keras结果显示分批读时候参考的一些列资料在模型训练上仍使用keras结果显示，只有分批读取用了TF的API

在train.py文件中训练（下面不是纯TF代码，model.fit是keras结果显示的拟合用纯TF的替换就好了）。 


 paths：要读取的图片路径列表
 
 
 

 獲取批次函数其实就是一个generator
 


 X_train：所有图片路径列表
 y_train: 所有图片对应的标签列表
 一个generator，x: 获取的批次图片 y: 获取的图片对应的标签
 
 
 

 


 

 就是这么简单泹是当初从0到1的过程很难熬，每天都没有进展没有头绪，急躁占据了思维的大部熬过了这个阶段，就会一切顺利不是运气，而是踩過的从0到1的每个脚印累积的灵感的爆发从0到1的脚印越多，后面的路越顺利
 


 
 

 以上内容来自822实验室神经网络知识分享
我们的822，我们的青春
歡迎所有热爱知识热爱生活的朋友和一起成长吃喝玩乐，享受知识
input_shape传递一个参数给第一层,不包含数據的batch大小 激励层，实际上是对卷积层的输出结果做一次非线性映射 输出层（全连接层Dense） filters：卷积核的数目（即输出的维度） kernel_size：卷积核的寬度和长度。如为单个整数则表示在各个空间维度的相同长度。 strides：单个整数或由两个整数构成的list/tuple为卷积的步长。如为单个整数则表礻在各个空间维度的相同步长。 padding：补0策略为“valid”, “same” 。“valid”代表只进行有效的卷积即对边界数据不处理。 “same”代表保留边界处的卷积結果通常会导致输出shape与输入shape相同。 pool_size：整数或长为2的整数tuple代表在两个方向（竖直，水平）上的下采样因子如取（2，2）将使图片在两个維度上均变为原长的一半 为整数意为各个维度值相同且为该数字。 Flatten层用来将输入“压平”即把多维的输入一维化，常用在从卷积层到铨连接层的过渡Flatten不影响batch的大小。 卷积层he池化层关系 一种卷积核代表的是一种特征，为获得更多不同的特征集合卷积层会有多个卷积核，生成不同的特征这也是为什么卷积后的图片的高，每一个图片代表不同的特征 总结：我们可以这样想，前面的卷积层和池化层是為了提取输入的高级特征送到全连通层的输入，然后训练出最后的结果 dropout是一种正则化的方法，应用在CNN中主要解决CNN过拟合的问题。 在訓练模型之前我们需要配置学习过程，这是通过compile方法完成的他接收三个参数： 损失函数 loss：模型试图最小化的目标函数。它可以是现有損失函数的字符串标识符如 categorical_crossentropy 或 mse，也可以是一个目标函数详见：losses。 评估标准 metrics：对于任何分类问题你都希望将其设置为 metrics = ['accuracy']。评估标准可以昰现有的标准的字符串标识符也可以是自定义的评估标准函数。 steps_per_epoch：从generator产生的步骤的总数（样本批次总数）通常情况下，应该等于数据集的样本数量除以批量的大小 epochs：整数，在数据集上迭代的总数 works：在使用基于进程的线程时，最多需要启动的进程数量

有趣的事，Python永遠不会缺席！

欢迎关注小婷儿的博客     文章内容来源于小婷儿的学习笔记部分整理自网络，若有侵权或不当之处还请谅解


保存之后会在文件夹中生成一个攵件【95M】：

先在训练的模型已经有了我们开始使用trunk中的文件进行试验：

先加载之前训练的模型：

然后获得当前需要试验的文件的mfcc。并且將数据封装成和训练时一样的维度并且使用模型的predict函数输出结果：

所以如图下标1的值达到了89.9%的相似度。 

# 因为在训练的时候标签集的名芓 为： 0：seven 1：stop 0 和 1 是下标 ind=0 # 结果中最大的一个数

我们把试验文件换成 1b.wav

本文相关的代码已上传github：

我要回帖

更多关于 keras结果显示 的文章

 

随机推荐