Question

我正在使用TensorFlow培训CNN用于医学图像应用。

由于我没有大量数据，因此我试图在训练循环期间对我的训练批次应用随机修改，以人为增加我的训练数据集。我在不同的脚本中创建了以下函数，并在我的培训批次中调用它：

def randomly_modify_training_batch(images_train_batch, batch_size):

    for i in range(batch_size):
        image = images_train_batch[i]
        image_tensor = tf.convert_to_tensor(image)

        distorted_image = tf.image.random_flip_left_right(image_tensor)
        distorted_image = tf.image.random_flip_up_down(distorted_image)
        distorted_image = tf.image.random_brightness(distorted_image, max_delta=60)
        distorted_image = tf.image.random_contrast(distorted_image, lower=0.2, upper=1.8)

        with tf.Session():
            images_train_batch[i] = distorted_image.eval()  # .eval() is used to reconvert the image from Tensor type to ndarray

return images_train_batch

该代码适用于对我的图像应用修改。

问题是：

在我的训练循环（feedfoward + backpropagation）的每次迭代之后，将相同的功能应用到我的下一个训练批次，比上一次持续时间长5秒。

处理过程大约需要1秒钟，经过10多次迭代后，处理时间超过一分钟。

导致这种放缓的原因是什么？我该如何预防？

（我怀疑有distorted_image.eval()的内容，但我不太确定。我每次都会开一个新会话吗？TensorFlow不应该自动关闭会话，因为我在＆＃中使用34;用tf.Session（）＆＃34;阻止？）

Answer 1

您在每次迭代中调用该代码，因此每次迭代都会将这些操作添加到图形中。你不想这样做。您希望在开始时和训练循环中构建图形，只执行它。另外，为什么你需要在之后再次转换为ndimage，而不是将内容放入TF图中并且一直使用张量？

每次迭代后，处理时间越来越长（TensorFlow）

1 个答案: