解决解决TensorFlow训练内存不断增长 今天小编就为大家分享一篇解决TensorFlow训练内存不断增长,进程被杀死问题，具有很好的参考价值，希望对 大家有所帮助。一起跟随小编过来看看吧 训练内存不断增长,进程被杀死问题 进程被杀死问题 TensorFlow训练时，遇到内存不断增长，最终导致内存不足，进程被杀死。 在这里我不准备对造成这一现象的所有原因进行探讨，只是记录一下我在项目中遇到的这一问题，下面将对我遇到的内存不断 增长的原因进行分析。 在TensorFlow中构造图，是将一些op作为节点加入图中，在run之前，是需要构造好一个图的，所以在run的时候，如果run图 中不存在的节点，TensorFlow就会将节点加入图中，随着不断的迭代，造成内存不断的增长，从而导致内存不足。 下面举一个很容易发现这个问题的例子： 下面举一个很容易发现这个问题的例子： 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)) 在上面的例子中，x,y是图中的两个节点，在while循环中run(x)或者run(y)都是不存在问题的，但是上例中我们使用的时 run(x+y)，而在TensorFlow的图中是不存在x+y这个节点的，所以在run的时候，图中会不断的创建该节点，最终导致了内存不 足。这个例子很容易理解，这样的问题也很容易发现。 下面，将举一个不是那么容易发现的问题： 下面，将举一个不是那么容易发现的问题： import tensorflow as tf test = tf.get_variable('test', shape=[4, 1], initializer=tf.random_normal_initializer(stddev=0.1)) init_op = tf.global_variables_initializer() with tf.Session() as sess: sess.run(init_op) print(sess.run(test[0])) 这个例子是创建一个shape为[4,1]的变量对象，test为图中的一个节点，但是在我们实际使用时，我们可能并不需要test里的所 有数据，加入只需要一个数据test[0]，当我们使用run(test[0])时，test[0]并不是图中的节点，该节点就会在图中创建。上面的 例子并没有使用循环，所以增加了节点，但是也不会造成内存的不足，当使用了循环时，就需要注意了。 解决办法：run图中存在的节点，对返回的结果进行处理，得到想要的结果，不要在run里面对节点处理（处理后的节点可能不 解决办法： 是图中的节点）。 以上这篇解决TensorFlow训练内存不断增长,进程被杀死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 希望大家多多支持我们。