【发布时间】：2017-09-27 10:49:01
【问题描述】：
我正在使用 Tensorflow 进行 GPU 加速的深度学习，并且遇到了内存泄漏（RAM 种类，而不是在 GPU 上）。
几乎毫无疑问，我已将范围缩小到训练线
self.sess.run(self.train_step, feed_dict={self.x: trainingdata, self.y_true: traininglabels, self.keepratio: self.training_keep_rate})
如果我注释掉那一行，并且只注释掉那一行（但我仍然对几千个训练批次进行所有预处理和验证/测试等），内存泄漏不会发生。
泄漏量约为每小时几 GB（我正在运行 Ubuntu，并且有 16GB RAM + 16GB 交换空间；运行 1-3 小时后，系统变得非常迟钝且无响应，大约 1/3-使用了 1/2 的 RAM，这对我来说有点奇怪，因为我仍然有很多 RAM，而且发生这种情况时 CPU 大部分是空闲的......）
这里是一些相关的初始化代码（只运行一次，在开始时）：
with tf.name_scope('after_final_layer') as scope:
self.layer1 = weights["wc1"]
self.y_conv = network(self.x, weights, biases, self.keepratio)['out']
variable_summaries(self.y_conv)
# Note: Don't add a softmax reducer in the network if you are going to use this
# cross-entropy function
self.cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(self.y_conv, self.y_true, name = "softmax/cross_ent"), name = "reduce_mean")
self.train_step = tf.train.AdamOptimizer(learning_rate, name = "Adam_Optimizer").minimize(self.cross_entropy)
self.prediction = tf.argmax(self.y_conv, 1)
self.correct_prediction = tf.equal(self.prediction, tf.argmax(self.y_true, 1))
self.accuracy = tf.reduce_mean(tf.cast(self.correct_prediction, tf.float32))
if tensorboard:
# Merge all the summaries and write them out to the directory below
self.merged = tf.summary.merge_all()
self.my_writer = tf.summary.FileWriter('/home/james/PycharmProjects/AI_Final/my_tensorboard', graph=self.sess.graph)
# self.sess.run(tf.initialize_all_variables()) #old outdated way to do below
tf.global_variables_initializer().run(session=self.sess)
我也很高兴发布所有网络/初始化代码，但我认为这可能与这次泄漏无关。
是我做错了什么还是我发现了 Tensorflow 错误？提前致谢！
更新：我可能很快会提交一份错误报告，但我首先要确认我没有因自己的错误而打扰他们。我加了
self.sess.graph.finalize()
到我的初始化代码的末尾。据我了解，如果我不小心添加到图表中，它应该会引发异常。不抛出异常。我正在使用 tf 版本 0.12.0-rc0、np 版本 1.12.0b1 和 Python 版本 2.7.6。这些版本可能已经过时/有问题吗？
【问题讨论】：
-
我建议在 TF github 上提交一个错误