伏龙阁资源网

浅谈tensorflow之内存暴涨问题
站长资源 2024/11/25 佚名
2 0

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。而在迭代的过程中，x+y这个operator(操作)是匿名的，所以它会不断地重复，在graph中创建节点，导致内存占用越来越大。

所以要对上面的代码进行修改：

z = x+y
while True:
 print(sess.run(z))

这样就不会出现问题了。

上面只是一个简单的例子，我们可以很快发现问题。但是有时候我们的模型比较复杂，很难判断是否在迭代的过程中一直在增加节点。那怎么办呢？

其实在tensorflow里面有个函数叫做：

sess.graph.finalize()

只要每一次构图完成后，调用这个函数。然后运行程序，如果你的程序在运行的过程中还一直新建节点，这个函数就会检测到，然后就会报错。这样你就知道你的程序中一定有不合理的地方。

另一个导致内存暴涨的原因是，数据的加载问题。tensorflow现在有一个API接口，tf.data.Dataset 。这个接口里面有个函数叫做cache(filename)。cache函数的作用是将加载进来的数据存放到filename指定的地方。但是如果我们没有指定filename，数据就是一直存储在内存中。所以，随着迭代次数的增加，存储在内存中的数据越来越多，就会导致内存暴涨。所以要么不要使用这个函数，要么就要记得添加filename参数。

以上这篇浅谈tensorflow之内存暴涨问题就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。

广告合作：本站广告合作请联系QQ：858582 申请时备注：广告合作（否则不回）
免责声明：本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除！
www.wwsws.com 伏龙阁资源网
39,976影音资源
44,792技术资源
21,817软件资源
651,128站长资源

更新日志

友情链接

杰晶网络 DDR爱好者之家 桃源资源网 杰网资源 富贵资源网 南强小屋 铁雪资源网 幽灵资源网 万梅资源网 狼山资源网 白云岛资源网 昆仑资源网 相思资源网 明霞山资源网 内蒙古资源网 黑松山资源网 茶园资源网 饿虎岗资源网 大旗谷资源网 常春岛资源网 岱庙资源网 兴国资源网 快活林资源网 蝙蝠岛资源网 帝王谷资源网 白云城资源网 伏龙阁资源网 清风细雨楼 天枫庄资源网 圆月山庄资源网 无争山庄资源网 神水资源网 移花宫资源网 神剑山庄资源网 无为清净楼资源网 金钱帮资源网 丐帮资源网 华山资源网 极乐门资源网 小李飞刀资源网 凤求凰客栈 风云阁资源网 金狮镖局 鸳鸯亭资源网 千金楼资源网 更多链接