前两天用h5py做图像训练的时候遇到了一个问题，在用HDF5存储大文件的时候报错：

OverflowError: cannot serialize a bytes object larger than 4 GiB

当时有大概35G的图像要存入h5文件，而代码又是网上借鉴的，没有弄清楚h5文件存储的具体方法。为了图快，就强行把文件减小到3.5G来训练。训练的时候研究一下是怎么回事，毕竟h5这种不可能只能存4G大小的文件的。

后来弄明白了。HDF5是可以用chunk来存储的，而每一个chunk的大小不能超过4G，数据总量大小好像是不限（具体没试过）。

HDF5可以把平铺的数据分割成chunk储存，这些chunks用一个serial file来索引。至于怎么分割chunk全在码农自己。比如下面的代码是我之前有问题的代码：

parser = argparse.ArgumentParser(description='')

... ...

parser.add_argument('--image_size', dest='image_size', default=512)

parser.add_argument('--data_size', dest='data_size', default=173356)

... ...

h5file = h5py.File(args.save_file, 'w')

train_img_h5 = h5file.create_dataset(shape=(args.data_size, args.image_size, args.image_size),

                                        maxshape=(None, args.image_size, args.image_size),

                                        dtype=np.float32, name='train_image', compression='gzip',

                                        chunks=(args.data_size, args.image_size, args.image_size)

                                        )

上面的问题就出在args.data_size上。在create_dataset()中，shape确定了文件的总大小和dimension，chunks是一块数据有多大。如果是512 x 512 x 173356一块那肯定报错啊。

所以我改成了下面这样：

parser = argparse.ArgumentParser(description='')

... ...

parser.add_argument('--image_size', dest='image_size', default=512)

parser.add_argument('--data_size', dest='data_size', default=173356)

parser.add_argument('--chunk_size', dest='chunk_size', default=2048)

... ...

h5file = h5py.File(args.save_file, 'w')

train_img_h5 = h5file.create_dataset(shape=(args.data_size, args.image_size, args.image_size),

                                        maxshape=(None, args.image_size, args.image_size),

                                        dtype=np.float32, name='train_image', compression='gzip',

                                        chunks=(args.chunk_size, args.image_size, args.image_size)

                                        )

512 x 512 x 2048是没有4g的。这样改过来17万张图片就都可以存下了。

ref：https://support.hdfgroup.org/HDF5/doc/H5.intro.html