记录要跑的text to image，一步步不要太精细

首先，我们需要准备下载text  to image 资源,我打算跑的代码地址。

要求的版本

然后查看自己的服务器cudn,tensorflow，NLTK，如图

1.tensorflow版本

python

import tensorflow as tf

tf.__version__

如果不报错并显示版本，则安装正确，否则按照安装教程这个链接自行安装。

tf.__path__

路径

直接输入上面的命令，得到这个结果

2.tensorlayer版本

tensorlayer tensorlayer安装官方推荐运行在python3上，看上图知道，这是在2.7上。最便捷安装 TensorLayer 只需要一个指令。如下

sudo pip install git+https://github.com/zsdonghao/tensorlayer.git

执行上步骤安装

1.7.3版本

3.安装NLTK

sudo pip install -U nltk 即可 

在python 的终端里面,输入:import nltk 如果不报错即表明安装成功.然后

4.下载源码

然后clone源码到自己环境里。

sudo git clone https://github.com/zsdonghao/text-to-image.git

等待完成。一秒秒就好了。

5.数据集的下载

我在python2下，有弄module tqdm的问题，所以我用这个命令：pip install tqdm 

然后执行python downloads.py下载数据集，封装了，真好呀！然而，需要翻墙的奥！

6.下好之后，执行data_loader.py，对数据经行处理。

python data_loader.py

7.训练模型

 python train_txt2im.py

我能说我们实验室都在跑程序吗！

胖程序出错

使用下面的命令查看使用情况

nvidia-smi

使用情况100%

…………………………

ResourceExhaustedError (see above for traceback): OOM when allocating tensor with shape[64,128,64,64]

…………………………

这个错误一出现。

1.*首先得排除整个显卡上是不是有别的模型在跑？

2.如果没有，检查自己的模型逻辑有没有错误？（很多时候，即使没错也会崩……）

3.*接下来，在进行下一步尝试……

先用invidia-smi命令，看看服务器上有哪些空闲显卡（本地电脑可忽略，重新运行就是了）.

对于tensorflow来说，可以用CUDA_VISIBLE_DEVICES=1(，2...) python train.py​,命令来运行程序，其中的数字1,2...代表显卡序号。如果你觉得一个显卡不够，或是想让程序跑得快，在不影响别人使用的情况下，可以多选择几块显卡。CUDA_VISIBLE_DEVICES命令是用来确定CUDA允许tensorflow发现的显卡​。如果没有，默认情况下tensorflow会利用所有能利用的资源。

对于濒临淘汰的Theano来说，运行时设置device=1(,2,3..),即可。

 4.如果还是不行，请回到第二步……不要过度自信……应引用自别人说的