質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.34%

  • Python 3.x

    7389questions

    Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

  • OpenCV

    1232questions

    OpenCV(オープンソースコンピュータービジョン)は、1999年にインテルが開発・公開したオープンソースのコンピュータビジョン向けのクロスプラットフォームライブラリです。

  • 機械学習

    763questions

    機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。

  • TensorFlow

    752questions

TensorFlowでパッチ処理で精度計算を行い大量の画像を学習させたいです。

解決済

回答 2

投稿

  • 評価
  • クリップ 1
  • VIEW 666

RSAM

score 1

前提・実現したいこと

TensorFlowを使って2つの画像の分類を行っています.
DeepLearningを用いるということで,10000枚程度のデータを学習したいと思っています.

発生している問題・エラーメッセージ

メモリが足りていないため,7000枚ほど画像を使用すると

ResourceExhaustedError


というエラーが生じます.
そこで学習のみに行っていたバッチ処理を,学習,テスト精度計算にも行いたいのですがコードを変えた結果,以下のように実行されて学習がうまくできていないと思われるエラーが生じました.

step 0, training accuracy 1
        test accuracy     0.5
20.000 sec
step 1, training accuracy 1
        test accuracy     0.5
23.360 sec
step 2, training accuracy 1
        test accuracy     0.5
26.485 sec
step 3, training accuracy 1
        test accuracy     0.5

該当のソースコード

import sys
sys.path.append('/usr/local/opt/opencv3/lib/python3.5.4/site-packages')
import cv2
import numpy as np
import tensorflow as tf
import tensorflow.python.platform
import tensorboard as tb   # -> 追加 #https://qiita.com/kegamin/items/887c7dfe8bbb76197741
import os
import math
import time
start_time = time.time()

# TensorBoard情報出力ディレクトリ
log_dir = '/tmp/data1'  #tensorboard --logdir=/tmp/data1

#指定したディレクトリがあれば削除し、再作成
if tf.gfile.Exists(log_dir):
    tf.gfile.DeleteRecursively(log_dir)
tf.gfile.MakeDirs(log_dir)

NUM_CLASSES = 2
IMAGE_SIZE_x = 48
IMAGE_SIZE_y = 36
IMAGE_CHANNELS = 3
IMAGE_PIXELS = IMAGE_SIZE_x*IMAGE_SIZE_y*IMAGE_CHANNELS
OUTPUT_SIZE_x = IMAGE_SIZE_x // 4
OUTPUT_SIZE_y = IMAGE_SIZE_y // 4

flags = tf.app.flags
FLAGS = flags.FLAGS
flags.DEFINE_string('train', 'train.txt', 'File name of train data')
flags.DEFINE_string('test', 'test.txt', 'File name of train data')
flags.DEFINE_string('image_dir', 'data', 'Directory of images')
flags.DEFINE_string('train_dir', '/tmp/data', 'Directory to put the training data.')
flags.DEFINE_integer('max_steps', 5000, 'Number of steps to run trainer.')
flags.DEFINE_integer('batch_size', 10, 'Batch size'
                     'Must divide evenly into the dataset sizes.')
flags.DEFINE_float('learning_rate', 1e-5, 'Initial learning rate.')

# 予測モデルを作成する関数
def inference(images_placeholder, keep_prob):

    # 重みを標準偏差0.1の正規分布で初期化
    def weight_variable(shape):
      initial = tf.truncated_normal(shape, stddev=0.1)
      return tf.Variable(initial)

    # バイアスを標準偏差0.1の正規分布で初期化
    def bias_variable(shape):
      initial = tf.constant(0.1, shape=shape)
      return tf.Variable(initial)

    # 畳み込み層の作成
    def conv2d(x, W):
      return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

    # プーリング層の作成
    def max_pool_2x2(x):
      return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
                            strides=[1, 2, 2, 1], padding='SAME')

    # 入力を変形
    x_image = tf.reshape(images_placeholder, [-1, IMAGE_SIZE_x, IMAGE_SIZE_y, IMAGE_CHANNELS])

    # 畳み込み層1の作成
    # 畳み込み層のフィルタ重み、引数はパッチサイズ縦、パッチサイズ横、入力チャネル数、出力チャネル数
    # 5x5フィルタで32チャネルを出力(入力は白黒画像なので1チャンネル)
    with tf.name_scope('conv1') as scope:
        W_conv1 = weight_variable([5, 5, IMAGE_CHANNELS, 32])
        b_conv1 = bias_variable([32])
        h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
        tf.summary.histogram("wc1", W_conv1)
    # dropoutの設定
        h_conv1_drop = tf.nn.dropout(h_conv1, 0.8)

    # プーリング層1の作成
    with tf.name_scope('pool2') as scope:
        h_pool1 = max_pool_2x2(h_conv1_drop)

    # 畳み込み層2の作成
    with tf.name_scope('conv2') as scope:
        W_conv2 = weight_variable([5, 5, 32, 64])
        b_conv2 = bias_variable([64])
        h_conv2 = tf.nn.relu(conv2d(h_pool1,W_conv2) + b_conv2)
        tf.summary.histogram("wc2", W_conv2)

    # プーリング層2の作成
    with tf.name_scope('pool2') as scope:
        h_pool2 = max_pool_2x2(h_conv2)

    # 全結合層1の作成
    with tf.name_scope('fc1') as scope:
        W_fc1 = weight_variable([OUTPUT_SIZE_x*OUTPUT_SIZE_y*64, 1024])
        b_fc1 = bias_variable([1024])
        h_pool2_flat = tf.reshape(h_pool2, [-1, OUTPUT_SIZE_x*OUTPUT_SIZE_y*64])
        h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
        # dropoutの設定
        h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

    # 全結合層2の作成
    with tf.name_scope('fc3') as scope:
        W_fc2 = weight_variable([1024, NUM_CLASSES])
        b_fc2 = bias_variable([NUM_CLASSES])

    # ソフトマックス関数による正規化
    with tf.name_scope('softmax') as scope:
        y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)

    # 各ラベルの確率のようなものを返す
    return y_conv

def loss(logits, labels):
    """ lossを計算する関数

    引数:
        logits: ロジットのtensor, float - [batch_size, NUM_CLASSES]
        labels: ラベルのtensor, int32 - [batch_size, NUM_CLASSES]

    返り値:
        cross_entropy: 交差エントロピーのtensor, float

    """
    # 交差エントロピーの計算
    cross_entropy = -tf.reduce_sum(labels*tf.log(tf.clip_by_value(logits,1e-10,1.0))) 
    # TensorBoardで表示するよう指定
    tf.summary.scalar("cross_entropy", cross_entropy)
    return cross_entropy

def training(loss, learning_rate):
    """ 訓練のOpを定義する関数

    引数:
        loss: 損失のtensor, loss()の結果
        learning_rate: 学習係数

    返り値:
        train_step: 訓練のOp

    """

    train_step = tf.train.AdamOptimizer(learning_rate).minimize(loss)
    return train_step

def accuracy(logits, labels):
    """ 正解率(accuracy)を計算する関数

    引数: 
        logits: inference()の結果
        labels: ラベルのtensor, int32 - [batch_size, NUM_CLASSES]

    返り値:
        accuracy: 正解率(float)

    """
    correct_prediction = tf.equal(tf.argmax(logits, 1), tf.argmax(labels, 1)) 
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
    tf.summary.scalar("accuracy", accuracy)
    return accuracy

if __name__ == '__main__':
    f = open(FLAGS.train, 'r')
    # データを入れる配列
    train_image = []
    train_label = []
    for line in f:
        # 改行を除いてスペース区切りにする
        line = line.rstrip()
        l = line.split()
        # データを読み込んで縮小
        img = cv2.imread(FLAGS.image_dir + '/' + l[0])
        img = cv2.resize(img, (IMAGE_SIZE_x, IMAGE_SIZE_y))
        # 一列にした後、0-1のfloat値にする
        train_image.append(img.flatten().astype(np.float32)/255.0)
        # ラベルを1-of-k方式で用意する
        tmp = np.zeros(NUM_CLASSES)
        tmp[int(l[1])] = 1
        train_label.append(tmp)
    # numpy形式に変換
    train_image = np.asarray(train_image)
    train_label = np.asarray(train_label)
    f.close()

    f = open(FLAGS.test, 'r')
    test_image = []
    test_label = []
    for line in f:
        line = line.rstrip()
        l = line.split()
        img = cv2.imread(FLAGS.image_dir + '/' + l[0])
        img = cv2.resize(img, (IMAGE_SIZE_x, IMAGE_SIZE_y))
        test_image.append(img.flatten().astype(np.float32)/255.0)
        tmp = np.zeros(NUM_CLASSES)
        tmp[int(l[1])] = 1
        test_label.append(tmp)
    test_image = np.asarray(test_image)
    test_label = np.asarray(test_label)
    f.close()

    with tf.Graph().as_default():
        # 画像を入れる仮のTensor
        images_placeholder = tf.placeholder("float", shape=(None, IMAGE_PIXELS))
        # ラベルを入れる仮のTensor
        labels_placeholder = tf.placeholder("float", shape=(None, NUM_CLASSES))
        # dropout率を入れる仮のTensor
        keep_prob = tf.placeholder("float")
        # inference()を呼び出してモデルを作る
        logits = inference(images_placeholder, keep_prob)
        # loss()を呼び出して損失を計算
        loss_value = loss(logits, labels_placeholder)
        # training()を呼び出して訓練
        train_op = training(loss_value, FLAGS.learning_rate)
        # 精度の計算
        acc = accuracy(logits, labels_placeholder)
        # 保存の準備
        saver = tf.train.Saver()
        # Sessionの作成
        sess = tf.Session()
        # 変数の初期化
        sess.run(tf.global_variables_initializer())
        # TensorBoardで表示する値の設定
        summary_op = tf.summary.merge_all()
        summary_writer = tf.summary.FileWriter(FLAGS.train_dir, sess.graph)


# 訓練の実行
for step in range(FLAGS.max_steps):
    for i in range(int(len(train_image)/FLAGS.batch_size)):
        # batch_size分の画像に対して訓練の実行
        batch = FLAGS.batch_size*i
        # feed_dictでplaceholderに入れるデータを指定する
        sess.run(train_op, feed_dict={
          images_placeholder: train_image[batch:batch+FLAGS.batch_size],
          labels_placeholder: train_label[batch:batch+FLAGS.batch_size],
          keep_prob: 0.5})
    # 1 step終わるたびに精度を計算する
        train_accuracy = sess.run(acc, feed_dict={
            images_placeholder: train_image,
            labels_placeholder: train_label,
            keep_prob: 1.0})
    print("step %d, training accuracy %g" %(step, train_accuracy))

    # 1 step終わるたびにTensorBoardに表示する値を追加する
    summary_str = sess.run(summary_op, feed_dict={
        images_placeholder: train_image,
        labels_placeholder: train_label,
        keep_prob: 1.0})
    summary_writer.add_summary(summary_str, step)

    # テストデータに対する精度を表示   
    print(" test accuracy %g"%sess.run(acc, feed_dict={
        images_placeholder: test_image,
        labels_placeholder: test_label,
        keep_prob: 1.0}))

    # step毎に経過時間を表示
    duration = time.time() - start_time
    print('%.3f sec' %duration)

    # 最終的なモデルを保存
    save_path = saver.save(sess, os.getcwd() + "\\model.ckpt")

試したこと

上記のコードで7000枚程度学習できることは確認しました.
より多くの画像を学習できるように訓練精度計算の部分で[batch:batch+FLAGS.batch_size]
を追加した結果,訓練精度が1と出力され続け,テスト精度計算の部分で[batch:batch+FLAGS.batch_size]を追加した結果,テスト精度がNanと表示され,エラーを吐かれました.
また,以下のサイトで示されているやりかたも試しましたが,どうもうまくいきませんでした.
TensorFlow 大量の画像から学習するには・・・〜(ほぼ)解決編〜
TensorFlowで大量のデータを学習する方法がわかりません

補足情報(言語/FW/ツール等のバージョンなど)

開発環境
-Windows10(64bit)
-Python3.5.4(仮想環境)(Anaconda4.4.0(64bit))
-Tensorflow-gpu1.4.0
-NVIDIA Quadro P4000(8GB)

2値分類のコードはこちらを参照しました.

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 2

checkベストアンサー

0

①学習データをシャッフルしていますか?

②どのようなエラーですか?

③どのようにメモリに乗りませんか?

  1. GPU
  2. メイン

いずれにしろ、手動で何とかするのは大変なので、
https://qiita.com/ornew/items/8ca914d222ce068158c4
http://tech.wonderpla.net/entry/2017/10/24/110000
バッチサイズ・データの流れを簡単に制御できるようなものに乗り換えてみてはいかがでしょう。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2018/01/09 23:10

    回答ありがとうございます.
    ①学習データは1000枚の場合,1000枚の中からミニバッチ学習でシャッフルするようにはしていますが,1000枚はあらかじめこちらで選択しています(シャッフルしていません)
    ②エラーは以下のようなものです
    ResourceExhaustedError (see above for traceback): OOM when allocating tensor with shape[37800,32,28,28]
    [[Node: Conv2D = Conv2D[T=DT_FLOAT, data_format="NHWC", padding="SAME", strides=[1, 1, 1, 1],
    use_cudnn_on_gpu=true, _device="/job:localhost/replica:0/task:0/gpu:0"](Reshape, Variable/read)]]
    ③GPUの方に乗りません.メインの方は1TBあるので余裕ですが,やはり時間がかかるので使用は避けたいですね…
    最悪Kerasでの実装を検討しますが,やはりTensorFlowを使い続けているのでそちらでやっていきたいです。。。

    キャンセル

  • 2018/01/09 23:58

    学習データ1000枚だと全部同じラベルになっていませんか?
    インデックスをシャッフルして、そこから1000個ずつ与えてみてはいかがでしょう。

    8GBだと確かに1000枚程度が一度に乗る限界ですね。

    キャンセル

  • 2018/01/10 15:03

    すみません.知識不足で同じラベルというのが理解できていないです・・・
    インデックスのシャッフルとは,あらかじめ数万枚の画像を用意してその中からランダムに1000枚ずつ学習させるということでしょうか.

    ちなみにGPUは2GBと8GBのものをこれまで用いましたが,どちらも7000枚程度が学習させられる限界でした.(メモリを増設しても,速度が速くなっただけで枚数の上限が増えた感じはあまりしませんでした.)

    キャンセル

  • 2018/01/10 15:55

    Yがラベルです。
    順番に読み込むと、最初の4500個が0で次の4500個が1だったりするのかどうかが質問の意図でした。

    idx = np.arange(len(Y))
    np.random.shuffle(idx)
    Y = Y[idx]
    X = X[idx]

    とするとことによってバッチ間のシャッフルができます。

    ------------

    GPUのメモリは一般的にはGPUに依存しているので増設というのが少し違和感があるのですが、Quadroをよく知らないのでこれ以上はわからないです。

    ただ、2GBから8GBにすると乗る量が増えるはずです。
    CNN自体に一部食われていることを考えると4倍以上の枚数を学習できるようになるはずです。

    メインのほうが1TBというのはHDDのことでしょうか。
    スパコンなどでも768GB/CPUとかしか聞いたことがなかったので、何か非常に特殊な環境を使われているのかもしれません。

    キャンセル

0

■訓練精度
今の実相では、
train_accuracy = sess.run(acc, feed_dict={
となっているので、最後のバッチ一回で追加されずに上書きされてしまいそうです。

なので、まずは、
train_accuracy += sess.run(acc, feed_dict={
に修正してはいかがでしょうか

あとはこれをしようとすると、train_accuracyを初期化しないといけませんね。

■テスト精度
上のやり方でうまくいくようなら、train_accuracy 関係のコードをコピペして、trainという文字列をtestに置換して動かせばうまくいきそうです。

手元にデータはないので確認できませんが、以下のようなものを想定しています。

# 訓練の実行
for step in range(FLAGS.max_steps):
    # 訓練
    #############################################
    train_accuracy = 0
    for i in range(int(len(train_image)/FLAGS.batch_size)):
        # batch_size分の画像に対して訓練の実行
        batch = FLAGS.batch_size*i
        # feed_dictでplaceholderに入れるデータを指定する
        sess.run(train_op, feed_dict={
          images_placeholder: train_image[batch:batch+FLAGS.batch_size],
          labels_placeholder: train_label[batch:batch+FLAGS.batch_size],
          keep_prob: 0.5})

        # 1 batch終わるたびにデータを追加する
        train_accuracy += sess.run(acc, feed_dict={
            images_placeholder: train_image,
            labels_placeholder: train_label,
            keep_prob: 1.0})

    # 1 step毎にデータを表示する
    print("step %d, training accuracy %g" %(step, train_accuracy))

    # TensorBoard
    #############################################
    # 1 step終わるたびにTensorBoardに表示する値を追加する
    summary_str = sess.run(summary_op, feed_dict={
        images_placeholder: train_image,
        labels_placeholder: train_label,
        keep_prob: 1.0})
    summary_writer.add_summary(summary_str, step)

    # テスト
    #############################################
    # テストデータに対する精度を表示   
    test_accuracy= 0
    for i in range(int(len(test_image)/FLAGS.batch_size)):
        # batch_size分の画像に対して訓練の実行
        batch = FLAGS.batch_size*i
        # feed_dictでplaceholderに入れるデータを指定する
        sess.run(acc, feed_dict={
          images_placeholder: test_image[batch:batch+FLAGS.batch_size],
          labels_placeholder: test_label[batch:batch+FLAGS.batch_size],
          keep_prob: 0.5})

        # 1 batch終わるたびにデータを追加する
        test_accuracy += sess.run(acc, feed_dict={
            images_placeholder: test_image,
            labels_placeholder: test_label,
            keep_prob: 1.0})

    # 1 step毎にデータを表示する
    print("step %d, testing accuracy %g" %(step, test_accuracy))

投稿

編集

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2018/01/10 07:31

    このコードの「テストのplaceholder」のあたりに違和感がありますね。チョッと難ありかもです。

    キャンセル

  • 2018/01/10 14:58

    ご意見ありがとうございます.
    train_accuracy = 0を,2つのforの後ろに入れて実装してみましたが(でないと,train_accuracyが100などと表示されてしまうので・・・)かかる時間が従来の10倍近くになり,やはり大量の画像の学習は厳しいようです.

    補足ですが,テストデータではバッチ処理は不要かもしれません.
    学習では数万枚オーダーの画像を用いたいと考えていますが,テストでは数百枚程度を用いようと考えております.

    キャンセル

同じタグがついた質問を見る

  • Python 3.x

    7389questions

    Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

  • OpenCV

    1232questions

    OpenCV(オープンソースコンピュータービジョン)は、1999年にインテルが開発・公開したオープンソースのコンピュータビジョン向けのクロスプラットフォームライブラリです。

  • 機械学習

    763questions

    機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。

  • TensorFlow

    752questions