Lỗi bộ nhớ khi sử dụng nhiều lớp hơn trong mô hình CNN

Trên dell core i7 - RAM 16GB - máy tính xách tay GPU 4gb 960m, tôi đang thực hiện một dự án để phân loại hình ảnh CT phổi bằng 3d CNN. Tôi đang sử dụng phiên bản CPU của tenorflow. Các hình ảnh được chuẩn bị là kích thước mảng numpy (25,50,50).

Mô hình CNN của tôi có 2 lớp đối lưu, hai lớp maxpool, một lớp FC và lớp đầu ra. Với kiến ​​trúc này, tôi có thể huấn luyện mô hình với khoảng (5000 đến 6000) mẫu. Sau khi thêm nhiều lớp, mô hình của tôi bây giờ có 6 lớp đối lưu, 3 lớp nhóm tối đa, FC và lớp đầu ra. Vấn đề của tôi là sau khi thay đổi kiến ​​trúc chỉ với hơn 1000 mẫu, bộ nhớ của tôi bị đầy và tôi bị lỗi bộ nhớ. Tôi đã cố gắng thực hiện các lô nhỏ hơn, nhưng mỗi lần nhận được cùng một lỗi. Tôi có hai câu hỏi:

1. Tại sao bằng cách thêm nhiều lớp, mô hình cần nhiều bộ nhớ hơn?

2. Có cách nào để đối phó với loại vấn đề này?

1. Nhiều lớp hơn có nghĩa là nhiều tham số hơn cho mạng của bạn, điều này có nghĩa là có nhiều không gian cần thiết hơn trong bộ nhớ để lưu trữ các tham số đó.

2. Giải pháp duy nhất (ngoài việc tăng bộ nhớ cho máy tính của bạn) là giảm kích thước mạng của bạn. Một vài gợi ý về điều này: Thứ nhất, CNN 3-D đòi hỏi nhiều không gian hơn so với 2-D. Một ý tưởng có thể là chuyển sang loại 2 chiều. Ngoài ra, các lớp có nhiều tham số nhất là các lớp FC. Những điều này đôi khi dư thừa. Tôi muốn đề nghị giảm kích thước của những người đầu tiên.

Thêm vào điểm được tạo bởi MzdR, bạn cũng có thể thử sử dụng máy phát điện thay thế. Vì mô hình của bạn sẽ không thực sự cần phải có tất cả hình ảnh của bạn trong bộ nhớ trong khi đào tạo, tôi nghĩ rằng một trình tạo sẽ phục vụ tốt.

Kiểm tra câu hỏi này từ stackoverflow. Máy phát điện khá tuyệt vời khi bạn mặc cả bộ nhớ. Nhưng nếu điều này cũng thất bại, hãy thử giảm kích thước của các lớp FC của bạn.