这篇文章主要为大家展示了“如何解决Tensorflow内存泄露的问题”，内容简而易懂，条理清晰，希望能够帮助大家解决疑惑，下面让小编带领大家一起研究并学习一下“如何解决Tensorflow内存泄露的问题”这篇文章吧。

创新互联主营麻山网站建设的网络公司,主营网站建设方案,重庆APP开发,麻山h5小程序设计搭建,麻山网站营销推广欢迎麻山等地区企业咨询

使用tensorflow进行编程时，经常遇到操作不当，带来的内存泄露问题，这里有一个可以帮助debug问题所在方法：

https://stackoverflow.com/questions/51175837/tensorflow-runs-out-of-memory-while-computing-how-to-find-memory-leaks/51183870#51183870

使用tf.Graph.finalize()把运算图变成只读的，从而对图的修改都会报错，从而找到内存泄露的定点。

目前我出现过内存泄露问题的有两处：

1.

session和graph没有释放内存。按照资料的说法，使用了with关键字可以在session异常退出时也释放内存，否则要用session.close()关闭session。代码如下：

with tf.Session() as session:
  #codes

#一般使用with以后就会释放内存，否则运行如下释放
session.close()
del session

另一方面，我是在session中加载graph（训练好的模型），导致每次关闭程序再运行，graph出现重复加载的现象。错误代码示例：

with tf.Seesion() as session:
  # 在session内部加载保存好的graph
  saver = tf.train.import_meta_graph('./CNN_cracks.meta')
  saver.restore(session, "./CNN_cracks")
  # codes

此处，在一次运行session时会加载一次graph，一次运行的时候没问题，但多次运行（调试时），每次graph都会加载到内存而不被释放，因而造成内存泄露。

正确的做法如下：

# 用with新建一个graph，这样在运行完以及异常退出时就会释放内存
graph = tf.Gragh()
with graph.as_default():
  saver = tf.train.import_meta_graph('./CNN_cracks.meta')

with tf.Session(graph=graph) as session:
  saver.restore(session, "./CNN_cracks")

2.

一些tensorflow的运算似乎也会修改图，原因未明。所以在在训练里面把所有属于tensorflow的运算都写进去，运行session.run返回的只能是只读。

##错误代码

#训练
graph = tf.Graph()
with graph.as_default():
  #codes
  predict = tf.nn.softmax(model(data))

#预测，这里训练文件与预测文件是分离的
with tf.Session(graph=graph) as session:
  #codes
  predict = session.run(predict, feed_dict={data: block})
  prediction = tf.argmax(predict, -1) #这里会对图进行修改

##正确代码

#训练
graph = tf.Graph()
with graph.as_default():
  #codes
  predict = tf.argmax(tf.nn.softmax(model(data)), -1)

#预测
with tf.Session(graph=graph) as session:
  #codes
  prediction = session.run(predict, feed_dict={data: block})

以上是“如何解决Tensorflow内存泄露的问题”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注创新互联成都网站设计公司行业资讯频道！

另外有需要云服务器可以了解下创新互联scvps.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。

当前标题：如何解决Tensorflow内存泄露的问题-创新互联
链接URL：http://kswjz.com/article/hogdg.html