スタイル変換をしたいが、私だけ「Resource Exhausted Error」が発生します．

前提・実現したいこと

参考書「PythonとKerasによるディープラーニング」でスタイル変換について勉強しています．

自分だけが以下のプログラムを実行すると「Resource Exhausted Error」が発生してしまいます．
※再起動等を繰り返してもエラーが出てしまいます．
※友達は、同じプログラムを実行してもエラーが発生せずに画像が生成されるそうです．

実行環境の問題だと思うのですが、なぜ自分だけこのようなエラーが出るのか、どうすれば解決できるのか教えて下さい！
お手数をおかけしますが、何卒お願いします。。。

発生している問題・エラーメッセージ

ResourceExhaustedError: 2 root error(s) found.
  (0) Resource exhausted: OOM when allocating tensor with shape[3,200,200,128] and type float on /job:localhost/replica:0/task:0/device:GPU:0 by allocator GPU_0_bfc
	 [[{{node gradients/strided_slice_6_grad/StridedSliceGrad}}]]
Hint: If you want to see a list of allocated tensors when OOM happens, add report_tensor_allocations_upon_oom to RunOptions for current allocation info.

	 [[add_8/_197]]
Hint: If you want to see a list of allocated tensors when OOM happens, add report_tensor_allocations_upon_oom to RunOptions for current allocation info.

  (1) Resource exhausted: OOM when allocating tensor with shape[3,200,200,128] and type float on /job:localhost/replica:0/task:0/device:GPU:0 by allocator GPU_0_bfc
	 [[{{node gradients/strided_slice_6_grad/StridedSliceGrad}}]]
Hint: If you want to see a list of allocated tensors when OOM happens, add report_tensor_allocations_upon_oom to RunOptions for current allocation info.

0 successful operations.
0 derived errors ignored.

該当のソースコード

参考書のプログラム　←このプログラムをもとに作成しました．
※変更点「imsaveモジュール」ではなく「imageioモジュール」にしました．
（使用しているバージョンで「imsaveモジュール」を使おうとするとエラーが発生してしまうため）

python
1# 変数の定義
2from keras.preprocessing.image import load_img, img_to_array
3
4target_image_path = './StyleTransfer/Elephant.jpg'
5style_reference_image_path = './StyleTransfer/transfer_style_reference.jpg'
6
7width, height = load_img(target_image_path).size
8img_height = 400
9img_width = int(width * img_height / height)
10
11# 画像処理を行う補助関数の定義
12import numpy as np
13from keras.applications import vgg19
14def preprocess_image(image_path):
15    img = load_img(image_path, target_size = (img_height, img_width))
16    img = img_to_array(img)
17    img = np.expand_dims(img, axis = 0)
18    img = vgg19.preprocess_input(img)
19    return img
20def deprocess_image(x):
21    # ImageNetから平均ピクセルを取り除くことで、中心を0に設定する
22    # これによりvgg19.preprocess_inputによって実行された変換を逆にする
23    x[:, :, 0] += 103.939
24    x[:, :, 1] += 117.779
25    x[:, :, 2] += 123.68 
26    # フォーマットをBGRからRGBに変換
27    x = x[:, :, :: -1]    
28    x = np.clip(x, 0, 255).astype('uint8')    
29    return x
30# 学習済みのVGG19ネットワークを読み込み、3つの画像に適応
31from keras import backend as K
32target_image = K.constant(preprocess_image(target_image_path))
33style_reference_image = K.constant(preprocess_image(style_reference_image_path))
34# 生成された画像を保持するプレースホルダ
35combination_image = K.placeholder((1, img_height, img_width, 3))
36# 3つの画像を1つのテンソルにまとめる
37input_tensor = K.concatenate(
38    [target_image, style_reference_image, combination_image],
39    axis = 0
40)
41# 3つの画像からなるバッチを入力として使用するVGG19モデルを構築
42# この学習済みのImageNetの重みが読み込まれる
43model = vgg19.VGG19(
44    input_tensor = input_tensor,
45    weights = 'imagenet',
46    include_top = False
47)
48# コンテンツの損失関数
49def content_loss(base, combination):
50    return K.sum(K.square(combination - base))
51# スタイルの損失関数
52def gram_matrix(x):
53    features = K.batch_flatten(K.permute_dimensions(x, (2, 0, 1)))
54    gram = K.dot(features, K.transpose(features))
55    return gram
56def style_loss(style, combination):
57    S = gram_matrix(style)
58    C = gram_matrix(combination)
59    channels = 3
60    size = img_height * img_width
61    return K.sum(K.square(S - C)) / (4 * (channels ** 2) * (size ** 2))
62# 全変動損失関数
63def total_varidation_loss(x):
64    a = K.square(
65        x[:, : img_height - 1, :img_width - 1, :] - 
66        x[:, 1:, :img_width -1:, :]
67    )
68    b = K.square(
69        x[:, : img_height - 1, :img_width - 1, :] - 
70        x[:, : img_height - 1, 1:, :]
71    )
72    return K.sum(K.pow(a + b, 1.25))
73# 最小化の対象となる最終的な損失関数の定義
74# 層の名前をテンソルにマッピングするディクショナリ
75outputs_dict = dict([(layer.name, layer.output) for layer in model.layers])
76# コンテンツの損失関数に利用する層の名前
77content_layer = 'block5_conv2'
78# スタイルの損失関数に利用する層の利用
79style_layers = [
80    'block1_conv1',
81    'block2_conv1',
82    'block3_conv1',
83    'block4_conv1',
84    'block4_conv1',
85    'block5_conv1'
86]
87# 損失関数の加重平均の重み
88total_varidation_weight = 1e-4
89style_weight = 1
90content_weight = 0.025
91# すべてのコンポーネントをこのスカラー変数に追加することで、損失関数を定義
92loss = K.variable(0)
93# コンテンツの損失関数を追加
94layer_features = outputs_dict[content_layer]
95target_image_features = layer_features[0, :, :, :]
96combination_features = layer_features[2, :, :, :]
97loss = loss + content_weight * content_loss(target_image_features, combination_features)
98# 各ターゲット層のスタイルの損失関数を追加
99for layer_name in style_layers:
100    layer_features = outputs_dict[layer_name]
101    style_reference_features = layer_features[1, :, :, :]
102    combination_features = layer_features[2, :, :, :]
103    sl = style_loss(style_reference_features, combination_features)
104    loss += (style_weight / len(style_layers)) * sl 
105loss += total_varidation_weight * total_varidation_loss(combination_image)
106# 勾配降下法のプロセスを定義
107# 損失関数をもとに、生成された画像の勾配を取得する
108grads = K.gradients(loss, combination_image)[0]
109# 現在の損失関数の値と勾配の値を取得するための関数
110fetch_loss_and_grads = K.function([combination_image], [loss, grads])
111class Evaluator(object):
112    def __init__(self):
113        self.loss_value = None
114        self.grads_values = None
115    def loss(self, x):
116        assert self.loss_value is None
117        x = x.reshape((1, img_height, img_width, 3))
118        outs = fetch_loss_and_grads([x])
119        loss_value = outs[0]
120        grad_values = outs[1].flatten().astype('float64')
121        self.loss_value = loss_value
122        self.grad_values = grad_values
123        return self.loss_value
124    def grads(self, x):
125        assert self.loss_value is not None
126        grad_values = np.copy(self.grad_values)
127        self.loss_value = None
128        self.grad_values = None
129        return grad_values
130evaluator = Evaluator()
131# スタイル変換ループ
132from scipy.optimize import fmin_l_bfgs_b
133import imageio
134import time
135result_prefix = './StyleTransfer/style_transfer_result'
136iterations = 20
137# 初期状態（ターゲット画像）
138x = preprocess_image(target_image_path)
139# 画像を平坦化
140x = x.flatten()
141for i in range(iterations):
142    print('Start of iteration', i)
143    start_time = time.time()
144    x, min_val, info = fmin_l_bfgs_b(
145        evaluator.loss,
146        x,
147        fprime = evaluator.grads,
148        maxfun = 20
149    )
150    print('Current loss value', min_val)
151    # 現在の画像を保存する
152    img = x.copy().reshape((img_height, img_width, 3))
153    img = deprocess_image(img)
154    fname = result_prefix + '_at_iteration_%d.png' % i
155    imageio.imwrite(fname, img)
156    end_time = time.time()
157    print('Image save as', fname)
158    print('Iteration %d completed in %ds' % (i, end_time - start_time))

使用した画像

Elephant.jpg

transfer_style_reference.jpg

補足情報（FW/ツールのバージョンなど）

OS：Windows10
Pythonのバージョン：Python 3.7.4
kerasのバージョン：2.3.1
tensorflowのバージョン：'1.15.0'
記述・実行：Jupyter Notebook
Anacondaを使ってPythonをインストールしました．

yymmt

2020/08/02 12:13

GPUが呼ばれているようですがグラフィックボードは何をお使いでしょうか?

coco_bauer

2020/08/02 14:09

『「imsaveモジュール」ではなく「imageioモジュール」にしました』という変更をした理由は？「RunOptionsに'report_tensor_allocations_upon_oom'を追加すると、メモリ不足(oom [Out of Memory])が起きた時のアロケート済みのテンソルのリストが見られる」との助言がエラーメッセージに書かれていますが、やってみましたか？