Python 为什么对Keras model.predict（）的单个调用使用1.3 GB内存？

我目前正在使用Keras和TensorFlow后端重新创建Deepmind的AlphaZero作为个人项目。在每个游戏模拟过程中，我使用的NN需要做出许多预测。NN正常工作，但使用了过多的CPU RAM

我正在使用

psutil.Process（os.getpid（））.memory_info（）.rss

打印内存使用量，当第一次调用

model.predict（）

时，内存使用量从大约0.3 GB跃升到1.6 GB。在连续调用时，不会分配新内存（或至少很少）

我不确定这是否是预期的行为，但我希望程序尽可能高效地运行，就像我希望在谷歌计算引擎上的TPU上运行一样

以下是我的Keras型号的代码：

main_input = Input(shape = self.input_dim, name = 'main_input', dtype="float32")

x = self.conv_layer(main_input, 256, (3,3))

for i in range(19): # AlphaZero used 19
    x = self.residual_layer(x, 256, (3, 3))

vh = self.value_head(x)
ph = self.policy_head(x)

model = Model(inputs=[main_input], outputs=[vh, ph])
model.compile(loss={'value_head': 'mean_squared_error', 'policy_head': softmax_cross_entropy_with_logits},
    optimizer=SGD(lr=self.learning_rate, momentum = MOMENTUM), #config.MOMENTUM
    loss_weights={'value_head': 0.5, 'policy_head': 0.5}
)

---

神经网络非常大，因此其大小可能会影响分配的RAM量，但1.6 GB似乎不合理。此外，如果我将模型减少到只有2个剩余层而不是19个，那么它仍然会分配大约1.54 GB，而不是以前使用的1.6 GB。

您的模型有多少个参数？批量大小可能需要大量内存？1.6Gb不是很多…您的模型有多少个参数？批量大小可能需要很多内存？1.6Gb不是很多。。。