Question

当我使用我的数据集打开Keras中的Resnet-50时（后端是张量流），我觉得很奇怪，在每个时代之后，val比火车慢。我不知道为什么，是因为我的GPU没有足够的内存？我的GPU是K2200，有4 GB内存。我是否误解了这段话的意思？

我有35946火车图片所以我使用：

samples_per_epoch=35946,

我有8986 val pic所以我使用：

 nb_val_samples=8986,

以下是我的代码的一部分：

train_datagen = ImageDataGenerator(
    rescale=1./255,
    featurewise_center=False,  # set input mean to 0 over the dataset
    samplewise_center=False,  # set each sample mean to 0
    featurewise_std_normalization=False,  # divide inputs by std of the dataset
    samplewise_std_normalization=False,  # divide each input by its std
    zca_whitening=False,  # apply ZCA whitening
    rotation_range=20,  # randomly rotate images in the range (degrees, 0 to 180)
    width_shift_range=0.1,  # randomly shift images horizontally (fraction of total width)
    height_shift_range=0.1,  # randomly shift images vertically (fraction of total height)
    horizontal_flip=True,  # randomly flip images
    vertical_flip=False,
    zoom_range=0.1,
    channel_shift_range=0.,
    fill_mode='nearest',
    cval=0.,

)
test_datagen = ImageDataGenerator(rescale=1. / 255)

train_generator = train_datagen.flow_from_directory(
    'data/train',
    batch_size=batch_size,
    class_mode='categorical')

validation_generator = test_datagen.flow_from_directory(
    'data/val',
    batch_size=batch_size,
    class_mode='categorical')
model.fit_generator(train_generator,
                    # steps_per_epoch=X_train.shape[0] // batch_size,
                    samples_per_epoch=35946,
                    epochs=epochs,
                    validation_data=validation_generator,
                    verbose=1,
                    nb_val_samples=8986,
                    callbacks=[earlyStopping,saveBestModel,tensorboard])

Answer 1

@Yanning正如您在评论中提到的那样，第一个时期很慢，因为ImageDataGenerator正在从磁盘读取数据到RAM。这部分很慢。将数据读入RAM后，只需读取数据并将数据从RAM传输到GPU即可。

因此，如果您的数据集不是很大并且可以放入RAM中，您可以尝试从所有数据集中生成一个numpy文件，并在开头读取此数据。这将节省大量的磁盘寻道时间。

请查看此帖子，以便对不同操作所花费的时间进行比较：

Latency Numbers Every Programmer Should Know

延迟比较数

Main memory reference                         100 ns
Read 1 MB sequentially from memory        250,000 ns 
Read 1 MB sequentially from SSD         1,000,000 ns
Read 1 MB sequentially from disk       20,000,000 ns

Answer 2

我认为答案在于“ fit_generator”函数的各种参数选择。我遇到了同样的问题，并通过在“ fit_generator”函数中使用以下参数解决了该问题。

steps_per_epoch=training_samples_count // batch_size,
validation_steps=validation_samples_count // batch_size,

请注意，我已经指定了验证和培训的步骤，这使验证变得非常快捷。

使用model.fit_generator时，keras val非常慢

2 个答案:

延迟比较数