今天在GPU上运行卷积神经网络手写数字，报了如下错误Resource exhausted: OOM when allocating tensor with shape[10000,32,28,28]
一开始还不知道因为什么，因为我的训练集我已经分批训练了啊，竟然换回出现这样的问题，后来在StackOverflow上发现了原因。原来我在做测试的时候一下子把测试集全部读进去了，这就造成了显卡的显存不能容纳这么多的数据，造成的崩溃，只需要改改最后测试就行了。
即将print("test accuracy %g"%accuracy.eval(feed_dict={ x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))修改为：
for i in xrange(10):
testSet = mnist.test.next_batch(50)
print("test accuracy %g"%accuracy.eval(feed_dict={ x: testSet[0], y_: testSet[1], keep_prob: 1.0}))
下面是我修改后的完整代码
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data',one_hot=True)
#每个批次的大小
batch_size = 100
#计算一共有多少个批次
n_batch = mnist.train.num_examples // batch_size
n_test_batch = mnist.train.num_examples // batch_size
#初始化权值
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.Variable(initial)
#初始化偏置值
def bias_variable(shape):
initial = tf.constant(0.1,shape=shape)
return tf.Variable(initial)
#卷积层
def conv2d(x,W):
#x input tensor of shape [batch,in_height,in_width,in_channels]
#W filter /kernel tensor of shape[filter_height,filter_width,in_channels,out_channels]
#strides[0/3]=1,strides[1]代表x方向的步长，strides[2]y方向步长
#padding 'SAME' 'VALID'
return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')
#池化层
def max_pool_2x2(x):
#ksize[1,x,y,1]
return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
#定义两个placeholder
x = tf.placeholder(tf.float32,[None,784]) #28*28
y = tf.placeholder(tf.float32,[None,10])
#改变x的格式转为4D的向量[batch,in_height,in_width,in_channels]
x_image = tf.reshape(x,[-1,28,28,1])
#初始化第一个卷积层的权值和偏置
W_conv1 = weight_variable([5,5,1,32])
b_conv1 = bias_variable([32])
#把x_image和权值向量进行卷积，再加上偏置值，然后应用与relu激活函数
h_vonv1 = tf.nn.relu(conv2d(x_image,W_conv1)+b_conv1)#进行池化
h_pool1 = max_pool_2x2(h_vonv1)#进行max-pooling
#初始化第二个卷积层的权值和偏置
W_conv2 = weight_variable([5,5,32,64])
b_conv2 = bias_variable([64])
#把h_pool1和权值向量进行卷积，再加上偏置值，然后应用与relu激活函数
h_vonv2 = tf.nn.relu(conv2d(h_pool1,W_conv2)+b_conv2)#进行池化
h_pool2 = max_pool_2x2(h_vonv2)#进行max-pooling
#28*28的图片第一次卷积后还是28*28，第一次池化后变为14*14
#第二次卷积后为14*14，第二次池化后变为7*7
#经过上面操作后得到64张7*7的平面
#初始化第一个全连接层的权值
W_fc1 = weight_variable([7*7*64,1024])#上一场有7*7*64个神经元，全连接层有1024个神经元
b_fc1 = bias_variable([1024]) #1024个节点
#把池化层2的输出扁平化为1维
h_pool2_flat = tf.reshape(h_pool2,[-1,7*7*64])
#求第一个全连接层的输出
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat,W_fc1)+b_fc1)
#keep_prob用来表示神经元的输出概率
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1,keep_prob)
#初始化第二个全连接层
W_fc2 = weight_variable([1024,10])
b_fc2 = bias_variable([10])
#计算输出
prediction = tf.nn.softmax(tf.matmul(h_fc1_drop,W_fc2)+b_fc2)
#softmax和交叉熵一起使用
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)
#结果放在一个布尔列表中
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#argmax返回一维张量中最大的值所在的位置,1代表一行中的最大位置
#求准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for epoch in range(21):
for batch in range(n_batch):
batch_xs,batch_ys = mnist.train.next_batch(batch_size)
sess.run(train_step, feed_dict={x: batch_xs, y: batch_ys,keep_prob:0.7})
#下面的代码为修改后的结果
acc = 0
for batch in range(n_test_batch):
batch_test_xs,batch_test_ys = mnist.test.next_batch(batch_size)
acc += sess.run(accuracy, feed_dict={x: batch_test_xs, y: batch_test_ys,keep_prob:1})
print("Iter " + str(epoch) + ",Testing Accuracy " + str(acc/(batch+1)))
