【Keras】訓練時顯存out of memory的解決辦法——fit_generator函數

問題描述：建立好model之後，用model.fit()函數進行訓練，發現超出顯存容量(一共有12G)
問題分析：fit()函數訓練時，將全部訓練集載入顯存之後，纔開始分批訓練。顯然很容易就超出了12G
解決辦法：用fit_generator函數進行訓練

fit_generator函數將訓練集分批載入顯存，但需要自定義其第一個參數——generator函數，從而分批將訓練集送入顯存

def data_generator(data, targets, batch_size):
    batches = (len(data) + batch_size - 1)//batch_size
     while(True):
         for i in range(batches):
              X = data[i*batch_size : (i+1)*batch_size]
              Y = targets[i*batch_size : (i+1)*batch_size]
              yield (X, Y)

調用fit_generator時的方法

model.fit_generator(generator = data_generator(X_train, Y_train, batch_size),
                    steps_per_epoch = (len(data) + batch_size - 1) // batch_size,
                    epochs = num_epochs,
                    verbose = 1,
                    callbacks = callbacks,
                    validation_data = (X_val, Y_val)
)

參考鏈接：https://zhuanlan.zhihu.com/p/23250782
http://blog.csdn.net/sinat_26917383/article/details/74922230