TensorFlow：Allocation of 256000000 exceeds 10% of system memory对auc的影响

我在原来特征基础上，增加了一列特征，这列特征是一个list，长度不固定[0，5]之间的一个长度，比如 样本 1： ['找工作', '发工资', '领导力']

代码中给该列特征先做了一个分桶，根据该列特征中词的个数，来确定桶的大小；我这里大约2k个不同的词，hash_bucket_size=2e3；然后做tf.feature_column.embedding_column(feat, 8)；这个8怎么确定？2000开两次根号，等于6.7，向上取整得到 7，因为这样不会造成词重叠，但是会造成一些参数浪费；至于效果如何，数据记录在下面；为什么是 8? 因为我没有见过embedding的长度是单数，因此我取了8. 下面将embedding设置为[6, 7, 8]都跑了一遍，整体对比一下auc情况。

feat = tf.feature_column.categorical_column_with_hash_bucket(key='feature', hash_bucket_size=2e3)
feat_em = tf.feature_column.embedding_column(feat, 8)

方法一：将batchsize调小一些

方法二：过滤掉error或者warning信息「看着有点这是自欺欺人，看不到就当不存在」

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3' 
import tensorflow as tf

0 = all messages are logged (default behavior)
1 = INFO messages are not printed
2 = INFO and WARNING messages are not printed
3 = INFO, WARNING, and ERROR messages are not printed

embedding长度=6:  eval auc = 0.81333274

embedding长度=7:  eval auc0.81431544

embedding长度=8:  eval auc 0.8145471

embedding长度=16:  eval auc 0.81362206

看着差别不是特别大，从auc的 细微差别上能 看出 ，embedding维度太大或者小了 ，auc都不行；那就尽量让embedding维度的值为：

并且维度是单数还是双数，这个目测对auc没有什么影响，所以不用纠结单双数了(今天的最大收获) 

但是训练时间上维度越小 ，时间越短。

产生的原因：

模型参数较多，能自由分配的RAM不能够满足所需内存。情况 一：在运行tf.global_variables_initializer()的时候就会出现。情况二：如果选择的优化器需要历史grad的话，也会报这个错误，因为存储历史grad，需要double的RAM。情况三：数据类型float32 和 float 64占用内存是不同的，因此慎重选择数据类型。

带来的影响：

选择了一台RAM足够的机器运行了一下demo，auc变为了0.852，提升了3个点。

参考：
1.python - Tensorflow Allocation Memory: Allocation of 38535168 exceeds 10% of system memory - Stack Overflow