Tensorflow：即使在关闭会话时内存泄漏？

Question

当我意识到，即使我在 for 循环中关闭当前会话，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(..)。我需要在执行一次retour 后声明这些操作，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。我不明白为什么即使我关闭会话，TensorFlow 似乎也试图“保存”test2...

Answer 1

TL;DR: 关闭会话并不会释放 Python 程序中的 tf.Graph 数据结构，如果循环的每次迭代都将节点添加到图表中，那么您就会有泄漏.

由于您的函数 feedForwardStep 创建了新的 TensorFlow 操作，并且您在 for 循环中调用它，那么您的代码中存在泄漏——尽管是一个微妙的泄漏。

除非您另行指定（使用 with tf.Graph().as_default(): 块），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() 等都会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：

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

2. 在每个 for 循环中显式创建一个新图。如果图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，您不能使用先前迭代中的 Tensor 或 Operation 对象。 （例如，从您的代码 sn-p 中并不清楚test 的来源。）