memory-management - tensorflow : Memory leak even while closing Session?

Question

当我意识到，即使我在 for 循环中关闭当前 session ，我的程序也会大大减慢，并且由于正在构建操作而导致内存泄漏，我只是在尝试一些四元数神经网络的东西。这是我的代码:

for step in xrange(0,200):#num_epochs * train_size // BATCH_SIZE):
338 
339         with tf.Session() as sess:
340 
341             offset = (BATCH_SIZE) % train_size
342             #print "Offset : %d" % offset
343 
344             batch_data = []
345             batch_labels = []
346             batch_data.append(qtrain[0][offset:(offset + BATCH_SIZE)])
347             batch_labels.append(qtrain_labels[0][offset:(offset + BATCH_SIZE)]
352             retour = sess.run(test, feed_dict={x: batch_data})
357 
358             test2 = feedForwardStep(retour, W_to_output,b_output)
367             #sess.close()

问题似乎来自 test2 = feedForward(..) .我需要在执行 retour 后声明这些操作一次，因为 retour不能是占位符(我需要遍历它)。没有这条线，程序运行得非常好，速度很快，而且没有内存泄漏。我不明白为什么 TensorFlow 似乎在尝试“保存” test2即使我关闭 session ...

Answer 1

TL;DR: 关闭 session 不会释放 tf.Graph Python 程序中的数据结构，并且如果循环的每次迭代都将节点添加到图形中，那么就会出现泄漏。

由于您的功能feedForwardStep创建新的 TensorFlow 操作，您可以在 for 中调用它循环，那么您的代码中就会出现泄漏——尽管是一个微妙的泄漏。

除非您另外指定(使用 with tf.Graph().as_default(): block )，否则所有 TensorFlow 操作都将添加到全局默认图中。这意味着每次调用 tf.constant() , tf.matmul() , tf.Variable()等将对象添加到全局数据结构中。有两种方法可以避免这种情况:

构建您的程序，以便您构建一次图形，然后使用 tf.placeholder() 在每次迭代中输入不同值的操作。您在问题中提到这可能是不可能的。

在每个 for 循环中显式创建一个新图。如果图形的结构取决于当前迭代中可用的数据，这可能是必要的。你可以这样做:

for step in xrange(200):
    with tf.Graph().as_default(), tf.Session() as sess:
        # Remainder of loop body goes here.

请注意，在此版本中，您不能使用 Tensor或 Operation来自先前迭代的对象。 (例如，从您的代码片段中不清楚 test 的来源。)