Python 3.x tf.decode_csv函数中的Tensorflow内存泄漏

因此，我运行的DNN基于此处的iris模型：和此处的textlineReader建议：

它存在内存泄漏问题，我已将泄漏范围缩小到以下几行代码：

import numpy as np
import tensorflow as tf

def main():
    filename_queue = tf.train.string_input_producer(file_path)
    defaults = [[0.],[0.],[0.],[0.],[0]]
    reader = tf.TextLineReader()
    key, value = reader.read(filename_queue)

    for i in range(50000):
      columns = tf.decode_csv(value, record_defaults=defaults)

if __name__ == "__main__":
    main()

其中，文件路径引用的.csv文件包含一行：

5.9,3.0,4.2,1.5,1

当我运行程序时，这是我在60秒内的系统使用情况：

有趣的是，当我终止程序或OOM管理器终止程序时，所有内存都会被释放

无论如何，由于训练数据集的大小，我必须在我的程序中使用批处理，因此我也必须批量执行.csv文件的解码

有没有办法避免这个漏洞，或者这是一个应该报告的错误

---

欢迎提供任何信息或建议。

很明显，泄漏源于调用decode_csv函数，该函数分配了一些空间，在程序返回之前不会释放这些空间。解决方案是在获取批时在for循环之外调用tf.decode_csv函数。虽然这听起来不直观，但我已经能够验证它是否仍然通过连续读取来洗牌数据

更重要的是，这让我深入了解了Tensorflow中所谓的图操作的本质。在会话附近没有一个分配，它仍然有效。我想这更像是建立一条管道，然后通过管道传送数据

---

我的代码在没有那些malloc的情况下也运行得更快

很明显，泄漏源于调用decode_csv函数，该函数分配一些空间，在程序返回之前不会释放这些空间。解决方案是在获取批时在for循环之外调用tf.decode_csv函数。虽然这听起来不直观，但我已经能够验证它是否仍然通过连续读取来洗牌数据

更重要的是，这让我深入了解了Tensorflow中所谓的图操作的本质。在会话附近没有一个分配，它仍然有效。我想这更像是建立一条管道，然后通过管道传送数据

我的代码在没有那些malloc的情况下也运行得更快