共计 2529 个字符，预计需要花费 7 分钟才能阅读完成。
在 深度常识追踪（DKT）这方面，曾经看了多篇论文，对其中的一些模型也是做了简略的理解。所以在这个根底上，我对一个已有的 DKT 程序进行调试学习。本文次要是对训练模型的过程进行学习总结。
环境的调整
在进行程序调试的时候，首先遇到的问题就是环境不能满足程序的运行。虽说配置环境是一个并不是很难，然而容易处处呈现问题。
python 的版本抉择
首先是 python 的版本问题，在下载程序以前，我的电脑上是存在一个版本的 python。然而依据程序所须要的版本与我本机上的不同，同时我也并不想删除原有版本的 python，所以这就须要设计 python 版本切换 的问题了。
这里应用的开发工具是pycharm，下好对应版本的 python 后，通过设置抉择对应的版本：
应用这个工具的益处是，我不须要对环境变量进行更改，间接就能够切换我所须要的版本，同时还不会影响到其余程序应用的版本问题。
tensorflow
tensorflow-cpu和 tensorflow-gpu 的抉择。在个别进行小数据量的解决时，抉择两种之间的差异并不大，然而在进行大数据量的计算的时候，cpu版的计算工夫就会呈现显著的减少。
基于该程序性的数据量比拟大的根底，这里就抉择应用 gpu 版。
装置 tensorflow-gpu 间接应用 python 包治理装置工具 pip 进行装置。
pip install tensorflow-gpu==1.10.0留神 ：如果在装置的过程中提醒呈现
pip 版本的问题，间接将 pip 更新到最新的版本就能够了。
CUDA
因为下面抉择了 tensorflow-gpu==1.10.0，所以对CUDA 的版本也是有对应的要求，这就跟我之前的版本呈现了抵触，
tensorflow:ImportError: Could not find ‘cudart64_90.dll’
依照报错的提醒，tensorflow的导入须要 CUDA9 的版本。
去官网下载完 CUDA9 之后，在进行 环境变量 配置的时候，肯定要将 CUDA_PATH 设置为版本 9 的对门路。
CUDNN
装置完 CUDA 后，仍然会呈现报错：
ImportError: Could not find‘cudnn64_7.dll’
报错提醒导入须要 cudnn7 的反对，在官网上找到对应 CUDA9 版本的cudnn，而后进行下载解压，并将对应文件放到装置好的 cuda 的文件夹下：
将 bin\cudnn64_7.dll 放到 \bin 目录下。
将 include\cudnn.h 放到 \include 目录下。
将 lib\x64\cudnn.lib 放到 \lib\x64 目录下。
numpy
持续报错：
ValueError: numpy.ufunc size changed, may indicate binary incompatibility. Expected 216 from C header, got 192 from PyObject
呈现该报错的次要起因，是 numpy 的版本不对，须要将 numpy 的版本更新为1.16.0。
pip install -U numpy==1.16.0更新 numpy，间接应用 pip 进行更新。
pip show numpy更新后查看一下 numpy 的版本，胜利更新到 1.16.0：
显存有余
ResourceExhaustedError: OOM when allocating tensor with shape[512] and type float on /job:localhost
呈现该报错的起因是：网络 tensor 过大，训练时 参数 过多，导致显存不够，资源耗尽。
因为依照训练的要求，训练参数不能批改，所以在解决时，将 batch_size 改小。
在 tensorflow 中，batch_size是每个训练批次的大小，它次要影响实现每个 epoch（全数据集） 所须要的工夫，以及每个 迭代（iteration）之间梯度的平滑水平。
一般来说，在正当范畴内适当的增大 batch_size 可能减少 内存的利用率 ，进步大矩阵乘法的并行效率。这就使得实现每个epoch 的工夫缩小。
然而同时，增大 batch_size 也可能会使得内存的容量不够，这也就是导致咱们下面的问题。
解决：
1. 放大 batch_size：程序开始时，batch_size设置的大小为16，将其放大一半后，未能解决问题，持续放大，最初，将其设置为4.
2. 敞开电脑中其余运行的无关程序：其余运行的程序也会在肯定水平上占用内存，所以将这些程序敞开，也能增大一些能够应用的内存。
tensorflow.saver
在训练循环中，定期调用 saver.save() 办法，向文件夹中写入蕴含了以后模型中所有可训练变量的 checkpoint文件。
saver.save(sess, FLAGS.train_dir, global_step=step)其中 sess 是 tensorflow 中的 会话管制（session）;FLAGS.train_dir是训练的 checkpoint 的存储地位；global_step是指训练的第几步。
每次训练都会呈现前面的三个文件，第一次训练会呈现 checkpoint 文件，并且每次都会在该文件中创立一个检查点。
留神：save 办法中的门路并不能主动创立，所以在保留之前肯定须要先建设好相应的文件夹。
相干参考：
https://blog.csdn.net/u011311291/article/details/81393933
https://blog.csdn.net/zhaotun123/article/details/99680151
https://blog.csdn.net/qq_37099552/article/details/105023680
https://stackoverflow.com/questions/60323366/valueerror-numpy-ufunc-size-changed-may-indicate-binary-incompatibility-expec
https://blog.csdn.net/winycg/article/details/78572438
https://blog.csdn.net/hl1hl/article/details/85638276
