我使用4个VGG16（不包括顶部）构建模型，然后连接4个VGG16的4个输出以形成一个密集层，然后是softmax层，因此我的模型有4个输入（4个图像）和1个输出（4个等级）。
我首先通过训练密集层并冻结VGG16中的图层来进行转移学习，并且工作正常。
但是，通过设置layer.trainable = True解冻VGG16图层后，我收到以下错误：
tensorflow/core/platform/cpu_feature_guard.cc:137] Your CPU supports instructions that this TensorFlow binary was not compiled to use: SSE4.1 SSE4.2 AVX AVX2 FMA
2018 23:12:28.501894: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1030] Found device 0 with properties:
name: GeForce GTX TITAN X major: 5 minor: 2 memoryClockRate(GHz): 1.076
pciBusID: 0000:0a:00.0
totalMemory: 11.93GiB freeMemory: 11.71GiB
2018 23:12:28.744990: I
tensorflow/stream_executor/cuda/cuda_dnn.cc:444] could not convert BatchDescriptor {count: 0 feature_map_count: 512 spatial: 14 14 value_min: 0.000000 value_max: 0.000000 layout: BatchDepthYX} to cudnn tensor descriptor: CUDNN_STATUS_BAD_PARAM
然后我按照this page中的解决方案设置os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'。上面的第一个错误消失了，但我仍然得到第二个错误：
keras tensorflow/stream_executor/cuda/cuda_dnn.cc:444 could not convert BatchDescriptor to cudnn tensor descriptor: CUDNN_STATUS_BAD_PARAM
如果我再次冻结VGG16图层，那么代码工作正常。在其他工作中，这些错误仅在我将VGG16图层设置为可训练时发生。
我还建立了一个只有1个VGG16的模型，该模型也可以正常工作。
因此，总而言之，只有当我在4 VGG16的模型中解冻VGG16图层时，才会出现这些错误。
任何想法如何解决这个问题？
答案 0 :(得分：0)
事实证明，它与模型中的VGG16数无关。问题是由批量大小引起的。
当我说使用1个VGG16的模型工作时，该模型使用的批量大小为8.当我将批量大小减小到小于4（1,2或3）时，则发生了同样的错误。
现在我只使用批量大小4用于4 VGG16的型号，它工作正常，但我仍然不知道为什么它在批量大小＆lt; 4（可能它与我使用4个GPU的事实有关）。