我想了解如何使用卷积神经网络将高分辨率图像生成低分辨率图像。

网络输入图像是否需要较小，而输出图像是其两倍大小？

我构建了以下模型：

w,h,c=x_train[0].shapeinput = Input(shape=(w,h,c),name='LR')x = UpSampling2D(size=(2,2), name='UP')(input)h = Dense(720, activation='relu', name ='hide')(x)h2= Dense(1280, activation='relu', name ='hide2')(h)output= Dense(3, activation='relu', name ='output')(h2)model = Model(inputs=input, outputs=output)model.compile(loss='mse', optimizer='adam', metrics=['accuracy'])model.fit(x_train,y_train, epochs=50, verbose=0)

Y_train 的尺寸是 x_train 的两倍。

但我收到了以下错误信息：

ResourceExhaustedError: OOM when allocating tensor with shape[4608000,720] and type float on /job:localhost/replica:0/task:0/device:CPU:0 by allocator cpu     [[{{node hide/MatMul}}]]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

我做错了什么？

回答：

这种内存不足（OOM）错误通常是由于批次大小过大，无法适应内存所致。

我执行了 model.fit(x_train,y_train,batch_size=1024, epochs=50, verbose=0)，结果占用了超过10%的系统内存。

那么1024听起来太大了。从较小的批次大小开始（例如约64），然后以2的幂逐渐增加（例如128, 256…），直到找到一个足够大但仍能适应内存的批次大小。

关于如何计算最佳批次大小的讨论可能也有帮助，参见如何计算最佳批次大小…