如何利用Keras高效应对超内存的Out Of Memory问题？

本文共计403个文字，预计阅读时间需要2分钟。

如果在Keras内部多次使用同一Model，例如在不同的数据集上训练同一模型，可能会存在内存泄漏的问题。在运行几次循环后，可能会报错OOM（Out of Memory）。解决方法是，在每个代码块后面添加`'end'`来释放内存。

如果在Keras内部多次使用同一个Model，例如在不同的数据集上训练同一个模型进而得到结果，会存在内存泄露的问题。在运行几次循环之后，就会报错OOM。

解决方法是在每个代码后面接clear_session()函数，显示的关闭TFGraph，再重启。

详情参考 keras.io/backend/#backend-functions。

from keras import backend as K
K.clear_session()

补充知识：Keras多次加载模型进行测试时内存溢出的解决方法

在进行实验的过程中，保存了每个epoch的模型参数文件，需要验证每个保存的模型的效果，想到直接简单粗暴的手法，就是一个循环里加载模型并进行验证，但是导致随着加载的模型越来越多，速度越来越慢。

方法如下：在每次加载模型之前，清空模型占用的内存即可。