在tensorflow訓練中，每組訓練速度越來越慢，時長越來越高、從運行日誌中可以看到：每個視頻花費時間從9s到165s、到207s。這樣每組數據有81個視頻、導致每組數據訓練時長從12分鐘變到3小時變到4小時（一開始只需要十幾分鍾）~~雖然還差幾組數據就訓練完了，但這速度這簡直不能忍
#·····································運行日誌1····································#
100%|##################################################################################| 81/81 [12:56<00:00, 9.59s/it]
Predicting on frame of L:\collect_program\sign_language\sign-language-gesture-recognition-master\dataset\frames\train-frames\s10-Enemy
100%|##################################################################################| 81/81 [13:54<00:00, 10.30s/it]
Predicting on frame of L:\collect_program\sign_language\sign-language-gesture-recognition-master\dataset\frames\train-frames\s11-Son
100%|##################################################################################| 81/81 [16:42<00:00, 12.38s/it]
Predicting on frame of L:\collect_program\sign_language\sign-language-gesture-recognition-master\dataset\frames\train-frames\s12-Man
~~~~~~~省略·~~~~~~
100%|###############################################################################| 81/81 [3:29:29<00:00, 155.18s/it]
Predicting on frame of s3-Green
100%|###############################################################################| 81/81 [3:43:52<00:00, 165.83s/it]
Predicting on frame of s30-Birthday
100%|###############################################################################| 81/81 [3:55:48<00:00, 174.67s/it]
Predicting on frame of s31-Breakfast
100%|###############################################################################| 81/81 [4:08:02<00:00, 183.74s/it]
Predicting on frame of s32-Photo
100%|###############################################################################| 81/81 [4:21:15<00:00, 193.53s/it]
Predicting on frame of s33-Hungry
100%|###############################################################################| 81/81 [4:39:47<00:00, 207.26s/it]
Predicting on frame ofs 34-Map
#··················································································#
重新看程序，發現程序中，沒有用feed和fetch，沒有用操作數和佔位符轉遞數據，導致計算圖graph越來越大，這也就造成訓練時間指數性增加。
解決方法1：嚴格按照tensorflow標準，用feed和fetch傳遞數據（沒有實驗）
解決方法2：每組數據訓練完畢後，清空重置計算圖（親測可行）
def load_graph(model_file):
graph = tf.Graph()
graph_def = tf.GraphDef()
with open(model_file, "rb") as f:
graph_def.ParseFromString(f.read())
with graph.as_default():
tf.import_graph_def(graph_def)
return graph
#·····································#
tf.reset_default_graph()
graph = load_graph(model_file)
print("reset graph")
修改後的運行日誌：
100%|##################################################################################| 81/81 [12:06<00:00, 8.97s/it]
Predicting on frame of s10-Enemy
reset graph
100%|##################################################################################| 81/81 [11:50<00:00, 8.77s/it]
Predicting on frame of s11-Son
reset graph
100%|##################################################################################| 81/81 [11:49<00:00, 8.76s/it]
Predicting on frame of s12-Man
reset graph
100%|##################################################################################| 81/81 [11:56<00:00, 8.85s/it]
Predicting on frame of s13-Away