memory - 如何确定 Keras 模型所需的内存？

Question

我正在使用 Keras 2.0.0，我想在 GPU 上训练一个具有大量参数的深度模型。使用太大的图像，我的内存不足 (OOM)。使用太低的图像，模型的准确性会比可能的差。因此，我想找到适合我的 GPU 的图像的最大可能输入大小。给定模型和输入数据，是否有任何计算内存的功能(例如，与 model.summary() 相当)？

感谢您的帮助。

Answer 1

我根据 Fabrício Pereira 的回答创建了一个完整的函数。

def get_model_memory_usage(batch_size, model):
    import numpy as np
    try:
        from keras import backend as K
    except:
        from tensorflow.keras import backend as K

    shapes_mem_count = 0
    internal_model_mem_count = 0
    for l in model.layers:
        layer_type = l.__class__.__name__
        if layer_type == 'Model':
            internal_model_mem_count += get_model_memory_usage(batch_size, l)
        single_layer_mem = 1
        out_shape = l.output_shape
        if type(out_shape) is list:
            out_shape = out_shape[0]
        for s in out_shape:
            if s is None:
                continue
            single_layer_mem *= s
        shapes_mem_count += single_layer_mem

    trainable_count = np.sum([K.count_params(p) for p in model.trainable_weights])
    non_trainable_count = np.sum([K.count_params(p) for p in model.non_trainable_weights])

    number_size = 4.0
    if K.floatx() == 'float16':
        number_size = 2.0
    if K.floatx() == 'float64':
        number_size = 8.0

    total_memory = number_size * (batch_size * shapes_mem_count + trainable_count + non_trainable_count)
    gbytes = np.round(total_memory / (1024.0 ** 3), 3) + internal_model_mem_count
    return gbytes

更新 2019.10.06:增加了对包含其他模型作为层的模型的支持。

UPDATE 2020.07.17:函数现在可以在 TensorFlow v2 中正常工作。