溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章主要為大家展示了如何解決基于Keras循環訓練模型跑數據時內存泄漏問題，內容簡而易懂，希望大家可以學習一下，學習完之后肯定會有收獲的，下面讓小編帶大家一起來看看吧。
在使用完模型之后，添加這兩行代碼即可清空之前model占用的內存：
import tensorflow as tf from keras import backend as K K.clear_session() tf.reset_default_graph()
補充知識：keras 多個模型測試階段速度越來越慢問題的解決方法
問題描述
在實際應用或比賽中，經常會用到交叉驗證（10倍或5倍）來提高泛化能力，這樣在預測時需要加載多個模型。常用的方法為
mods = []
from keras.utils.generic_utils import CustomObjectScope
with CustomObjectScope({}):
for model_file in tqdm.tqdm(model_files):
mod = keras.models.load_model(model_file)
mods.append(mod)
return mods使用這種方式時會發現，剛開始模型加載速度很快，但隨著加載的模型數量增多，加載速度越來越慢，甚至延長了3倍以上。那么為什么會出現這種現象呢？
原因
由于tensorflow的圖是靜態圖，但是如果直接加在不同的圖（即不同的模型），應該都會存在內存中，原有的圖并不會釋放，因此造成了測試速度越來越慢。
解決方案
知道了原因，解決方案也就有了：每加載一個模型就對所有測試數據進行評估，同時在每次加載模型前，對當前session進行重置。keras的tf后臺提供了clear_session方法來清除session
import keras.backend.tensorflow_backend as KTF
KTF.clear_session()
session = tf.Session(config=config)
KTF.set_session(session)
with CustomObjectScope({}):
model = keras.models.load_model(model_file)
return model以上就是關于如何解決基于Keras循環訓練模型跑數據時內存泄漏問題的內容，如果你們有學習到知識或者技能，可以把它分享出去讓更多的人看到。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
