我正在尝试使用TensorFlow中的自动超参数优化进行一些实验，因此我的程序的主循环需要重复创建一个图形，运行它，销毁它以释放内存以用于下一次迭代。为此，我有：
tf.reset_default_graph()
sess = tf.InteractiveSession()
除了一个之外，它似乎在所有方面都有效：每次循环，程序都会泄漏数百兆的内存。我没有分配任何其他类型的复杂数据结构，这些数据结构可能是内存泄漏的候选者，所以我可能错误地使用了tf.reset_default_graph。
我做错了什么？
计划在https://github.com/russellw/tf-examples/blob/master/sko_lstm.py
答案 0 :(得分：1)
将tf.InteractiveSession()替换为with tf.Session():语句。前者设计用于控制台，因此它启动，使自己成为默认设置并且不会释放资源，除非您手动调用sess.close()（这很容易忘记，除此之外）应该考虑例外）。因此，您的代码最终会有许多并行会话，每个会话都保存其资源。 <{1}}在会话激活时不会释放这些资源。
tf.reset_default_graph()语句确保上下文管理器将调用with并且会话将关闭。
答案 1 :(得分：1)
如果对某人不起作用，请查看 scriptifier。它是一个装饰器，允许在单独的脚本中运行一个函数。它会自动生成脚本并负责传递参数并返回，只要它们是可腌制的或 keras 模型或 keras 模型列表...（有关文档，请参阅：github）
它与 pip install scriptifier