增加数据后，CNN不再运行。

增加数据可能会导致CNN的内存占用过高，从而导致程序崩溃。可以采取以下几种方法：

1.减小batch size

减小batch size可以降低CNN的内存占用量，从而避免程序崩溃。例如，将batch size从64减小到32或16。

2.使用数据生成器

使用数据生成器可以在训练过程中动态生成数据，避免将所有数据同时加载到内存中。例如，使用Keras的ImageDataGenerator生成器可以实现数据增强和动态加载数据。

3.调整模型结构

调整模型结构可以减少CNN的参数数量，从而降低内存占用量。例如，通过使用更小的滤波器、减少卷积层数或使用空洞卷积等方式。

4.使用GPU加速训练

使用GPU可以加速训练过程，并且GPU的内存通常比CPU大。可以使用Nvidia的CUDA或者AMD的ROCm框架来加速训练。

以下是减小batch size的代码示例：

# 定义模型
model = Sequential()
model.add(Conv2D(32, (3, 3), padding='same', input_shape=(28, 28, 1)))
model.add(Activation('relu'))
model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

# 编译模型
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

# 减小batch size
model.fit(x_train, y_train, batch_size=32, epochs=10, verbose=1, validation_data=(x_test, y_test))