如何在 Keras 中将 report_tensor_allocations_upon_oom 添加到 RunOptions答案

【问题标题】：How to add report_tensor_allocations_upon_oom to RunOptions in Keras如何在 Keras 中将 report_tensor_allocations_upon_oom 添加到 RunOptions
【发布时间】：2018-09-14 21:16:09
【问题描述】：

我正在尝试使用 Keras 在 GPU 上训练神经网络，但出现“资源耗尽：分配张量时出现 OOM”错误。它试图分配的特定张量不是很大，所以我假设以前的一些张量消耗了几乎所有的 VRAM。错误消息带有暗示这一点的提示：

提示：如果您想在 OOM 发生时查看已分配张量的列表，请将 report_tensor_allocations_upon_oom 添加到 RunOptions 以获取当前分配信息。

听起来不错，但我该怎么做呢？ RunOptions 似乎是 Tensorflow 的东西，我能找到的很少文档将它与“会话”相关联。我使用的是 Keras，所以 Tensorflow 隐藏在一个抽象层之下，它的会话隐藏在该抽象层之下。

如何深入了解所有内容以设置此选项以使其生效？

【问题讨论】：

标签： python tensorflow keras gpu

【解决方案1】：

得到了同样的错误，但只是以防万一，训练数据集与我的 GPU 内存大致相同。例如，使用 4 Gb 视频卡内存，我可以使用 ~3.5 GB 数据集训练模型。我的解决方法是使用yield、indices 和lookback 创建data_generator 自定义函数。有人建议我的另一种方法是开始学习真正的 tensorflow 框架和with tf.Session (example)。

【讨论】：

【解决方案2】：

TF1 解决方案：

它并不像看起来那么难，你需要知道的是，根据documentation，传递给model.compile的**kwargs参数将传递给session.run

所以你可以这样做：

import tensorflow as tf
run_opts = tf.RunOptions(report_tensor_allocations_upon_oom = True)

model.compile(loss = "...", optimizer = "...", metrics = "..", options = run_opts)

并且每次调用session.run时都应该直接传递。

TF2：

上述解决方案仅适用于 tf1.不幸的是，对于 tf2，似乎还没有简单的解决方案。

【讨论】：

我使用了 options=run_opts，因为这是一个 kwargs 的东西，而且有效
@Matias Valdenegro 我得到ValueError: ('Some keys in session_kwargs are not supported at this time: %s', dict_keys(['options']))。知道我做错了什么吗？
我遇到了同样的问题。使用keras 2.2.4版本……有什么解决办法吗？
另外，我收到了这个错误'Protocol message RunOptions has no "report_tensor_allocations_upon_oom" field.'
由于某种原因导致我出现分段错误：[1] 3957 segmentation fault python oom_net.py

【解决方案3】：

OOM 表示内存不足。可能是当时正在使用更多的内存。显着减小 batch_size。我设置为 16，然后它工作正常

【讨论】：

这是否可行，以及合适的批量大小将完全取决于相关模型以及数据集。如果尝试调试不依赖于批量大小的内存问题，这根本没有帮助。

【解决方案4】：

目前，无法将选项添加到model.compile。见：https://github.com/tensorflow/tensorflow/issues/19911

【讨论】：

虽然此链接可能会回答问题，但最好在此处包含答案的基本部分并提供链接以供参考。如果链接页面发生更改，仅链接的答案可能会失效。