Jupyter Kernel crash/meurt lors de l'utilisation de grande couche de réseau neuronal, toute idée pls?

Question

J'expérimente Autoencoder avec Pytorch. Il semble que lorsque j'utilise un réseau neuronal relativement plus grand, par exemple nn.Linear (250 * 250, 40 * 40) comme première couche, le noyau de Jupyter continue à se bloquer. lorsque j'utilise une taille de couche plus petite, par ex. nn.Linéaire (250 * 250, 20 * 20). le noyau de Jupyter est ok. Une idée de comment résoudre ce problème? Ainsi je peux courir le plus grand réseau. Merci. L'ensemble du réseau est comme ci-dessous.

# model: 
class AutoEncoder(nn.Module): 
    def __init__(self): 
     super().__init__() 

     self.encoder = nn.Sequential(
      nn.Linear(250*250, 20*20), 
      nn.BatchNorm1d(20*20,momentum=0.5), 
      nn.Dropout(0.5), 
      nn.LeakyReLU(), 
      nn.Linear(20*20, 20*20), 
      nn.BatchNorm1d(20*20,momentum=0.5), 
      nn.Dropout(0.5), 
      nn.LeakyReLU(), 
      nn.Linear(20*20, 20*20), 
      nn.BatchNorm1d(20*20,momentum=0.5), 
      nn.Dropout(0.5), 
      nn.LeakyReLU(), 
      nn.Linear(20*20, 15*15), 
      nn.BatchNorm1d(15*15,momentum=0.5), 
      nn.Dropout(0.5), 
      nn.LeakyReLU(), 
      nn.Linear(15*15, 3), 
      nn.BatchNorm1d(3,momentum=0.5), 
      #nn.Dropout(0.5), 
      #nn.Tanh(), 
      #nn.Linear(5*5,5), 
     ) 
     self.decoder = nn.Sequential(
      #nn.Linear(5, 5*5), 
      #nn.BatchNorm1d(5*5,momentum=0.5), 
      #nn.Dropout(0.5), 
      #nn.Tanh(), 
      nn.Linear(3, 15*15), 
      nn.BatchNorm1d(15*15,momentum=0.5), 
      nn.Dropout(0.5), 
      nn.LeakyReLU(), 
      nn.Linear(15*15, 20*20), 
      nn.BatchNorm1d(20*20,momentum=0.5), 
      nn.Dropout(0.5), 
      nn.LeakyReLU(), 
      nn.Linear(20*20, 20*20), 
      nn.BatchNorm1d(20*20,momentum=0.5), 
      nn.Dropout(0.5), 
      nn.LeakyReLU(), 
      nn.Linear(20*20, 250*250), 
      nn.BatchNorm1d(250*250,momentum=0.5), 
      nn.Dropout(0.5), 
      nn.Sigmoid(), 
     ) 
    def forward(self, x): 
     encoded = self.encoder(x) 
     decoded = self.decoder(encoded) 
     return encoded, decoded 

Answer 1

J'ai trouvé la cause. Je cours un docker image/paquet d'Ubuntu sur des fenêtres. le réglage de la mémoire est trop faible, lorsque j'augmente le réglage de la mémoire sur le docker. mon environnement ubuntu a plus de mémoire, alors je peux plus grandes opérations de la matrice.