Question

在我家的机器上，我遇到了一个问题，这个问题在我的工作机器上没有发生。具体来说，Python在初始化中等大小的重复层时冻结并锁定内核（我甚至无法中断）。

以下是一个可重复性最小的例子：

from keras.models import Model  # Keras 2.x
from keras.layers import Input, GRU
from keras import backend as K  # TensorFlow (1.3) backend

input_stuff = Input(shape=(1, 2048))  # Works
print(K.int_shape(input_stuff))  # Works
encoder = GRU(512, return_state=False, stateful=False)  # Works
gru_out = encoder(input_stuff)  # Freezes here
print(K.int_shape(gru_out))

当我用LSTM而不是GRU尝试它时，会发生同样的事情。（如果您使用具有单个时间步长的输入的复现层明显奇怪，请忽略。）

当它冻结时，它就会永远运行。（可能在某些时候停止，但我总是在它之前杀死所有东西。）粉丝最终呻吟，好像它正在做一些真正的工作。我注意到可用RAM没有明显的吸引力。我还注意到，此时TensorFlow在GPU上没有分配内存。另一方面，CPU负载高达约400％（这是一台八核机器）。

我最近通过pip安装了TensorFlow 1.4，但这是在Python 3.6内核上加载1.3。一些迷路点：

使用更小的输入工作初始化更多更小的图层（例如，20）。但是，杀死它并不需要花费太多。
此处失败的代码在运行Python 3.5的Conda环境中运行迅速且没有问题。它也可以在我的办公室计算机上使用类似（但不完全相同）的包配置。
配置方面，我的家用机器至少和我的工作机器一样强大，所以这不是硬件问题（假设硬件工作正常）。
我能够运行其他代码来训练CNN而没有问题。但是，在此计算机上运行良好的分层LSTM网络的早期代码现在会产生相同的错误。

我怀疑这是一个软件包/模块或版本冲突。我承认我没有像我应该使用单独的环境那样小心，而不是把所有东西都集中在我的核心沙盒代码时构建Python。我的机器上有一些相互冲突的模块版本（一些通过pip，一些通过Conda），所以也许这是我学习的一课。

一个“修复”显然是使用Conda环境，在这种情况下，它不会给我任何问题。但这是一个奇怪的症状;我真的很想了解为什么正在发生。

系统信息：

操作系统：Ubuntu 16.04 LTS
内存：31.4 GiB
处理器：Intel®Core™i7-7700K CPU @ 4.20GHz×8
GPU：GeForce GTX 1080 Ti / PCIe / SSE2

对于包裹信息（yikes），“conda list”的输出为here。

Keras / TF循环层（GRU，LSTM）初始化时冻结内核

0 个答案: