在循环中使用多个模型时，tensorflow或python是否存在内存清理问题？

我正在研究一个tensorflow模型，它需要很大的内存。它以迭代方式执行，以处理给定的任务

然而，随着时间的增加，整个过程开始消耗越来越多的RAM，尽管它应该清理它。这听起来好像我会在迭代过程中保留一个图的数据，但我几乎可以肯定这些图是完全分开的

问题 我将代码缩减为以下内容：

import tensorflow as tf
import numpy as np

reps = 30
for i in range(reps):
    with tf.Graph().as_default() as graph:
        with tf.Session(graph=graph) as sess:
            tf.constant(np.random.random((1000,1000,200,1)))

我有32GB的内存可用，正在使用CPU Tensorflow 1.3的ubuntu 17.04。大约在第25次或第27次迭代后，将显示以下错误消息：

在抛出“std:：bad_alloc”实例后调用terminate 什么（）：std：：坏的

在每次迭代后给流程一些时间不会带来任何改进：

import tensorflow as tf
import numpy as np
import time

reps = 30
for i in range(reps):
    with tf.Graph().as_default() as graph:
        with tf.Session(graph=graph) as sess:
            tf.constant(np.random.random((1000,1000,200,1)))
    time.sleep(1)

但是，如果我在每次重复之后强制执行垃圾收集调用，则它会起作用：

import tensorflow as tf
import numpy as np
import gc

reps = 30
for i in range(reps):
    with tf.Graph().as_default() as graph:
        with tf.Session(graph=graph) as sess:
            tf.constant(np.random.random((1000,1000,200,1)))
    gc.collect()

问题: 现在我想知道为什么我需要强制运行垃圾收集，即使tensorflow应该关闭会话并取消引用graph对象

回到我最初的模型，我还不确定gc调用是否真的有帮助。内存使用越来越频繁，尤其是当我准备将模型持久化到磁盘时

关于如何迭代地处理大型模型，有什么最佳实践吗？这真的是内存问题吗

感谢您提供的见解。

相关：（即使是

gc.collect（）

也不总是有帮助）。