如何解决tensorflow内存暴涨的常见问题？

本文共计763个文字，预计阅读时间需要4分钟。

在TensorFlow实现模型时，运行程序过程中，有时会发现程序运行时内存占用持续增长。最终内存溢出，导致程序被kill。这个问题通常有两个可能的原因。

在用tensorflow实现一些模型的时候，有时候我们在运行程序的时候，会发现程序占用的内存在不断增长。最后内存溢出，程序被kill掉了。

这个问题，其实有两个可能性。一个是比较常见，同时也是很难发现的。这个问题的解决，需要我们知道tensorflow在构图的时候，是没有所谓的临时变量的，只要有operator。那么tensorflow就会在构建的图中增加这个operator所代表的节点。所以，在运行程序的过程中，内存不断增长的原因就是在模型训练迭代的过程中，tensorflow一直在帮你增加图的节点。导致内存占用越来越多。

那么什么情况下就会像上面说的那样呢？我们举个例子：

import tensorflow as tf x = tf.Variable(tf.constant(1)) y = tf.constant(2) sess = tf.Session() sess.run(tf.global_variables_initializer()) while True: print(sess.run(x+y))

如果你运行上面这段代码，会发现在运行的过程中，内存占用越来越大。原因就在于sess.run(x+y)这个语句。我们知道在tensorflow中，所有的操作都是graph的节点。