我正在设计一个multi_label_image_Classifier。为此，我需要加载大约7867张训练图像。在加载图像时，RAM使用量从0.92 GB增加到12.5 GB。

加载后，当我将图像拟合到一个numpy数组中时，RAM使用了所有可用的空间，即25.54 GB，并且代码停止执行并出现错误“你的会话崩溃了”。

我使用的样本代码如下

train_images= []for i in tqdm(range(train.shape[0)):    img = image.load_img(        '/content/Multi_Label_dataset/Images/'+train['Id'][i]+'.jpg',        target_size=(400,400,3)        )    img = image.img_to_array(img)    img = img/255    train_image.append(img)

到这里为止，RAM使用量为12.52 GB

X= np.array(train_image)

执行这一行时，RAM使用量变为红色，并且弹出“会话崩溃消息”。

如何处理这个问题？

回答：

你的数据集太大，无法一次性加载到RAM中。这在使用图像数据集时很常见。除了数据集，RAM还需要容纳模型、其他变量和处理所需的额外空间。

为了帮助加载数据，你可以使用data_generators()和flow_from_directory()。这些方法在Keras中可用，请查看文档。

data_generator()负责所有图像预处理工作，如重塑和归一化。flow_from_directory()将帮助解决你的内存问题。它会从指定目录动态加载一批图像，并在应用预处理技术后将它们传递给模型。