keras 深度學習框架中get_value函數運行越來越慢，內存消耗越來越大問題
問題描述
如上圖所示，經過時間和內存消耗跟蹤測試，發現是keras.backend.get_value() 函數導致的程序越來越慢，而且嚴重的造成內存泄露；
查看該函數內部實現，發現一個主要核心是x.eval(session=get_session()),該語句可能是導致內存泄露和運行慢的核心語句； 根據查看一些博文得到了運行得越來越慢的
原因：該x.eval函數會添加新的節點到tf的圖中；而這也導致了tf的圖越來越大，內存泄露；
解決方法
import tensorflow.keras.backend as K
def get_my_session(gpu_fraction=0.1):
'''Assume that you have 6GB of GPU memory and want to allocate ~2GB'''
num_threads = os.environ.get('OMP_NUM_THREADS')
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=gpu_fraction)
if num_threads:
return tf.Session(config=tf.ConfigProto(
gpu_options=gpu_options, intra_op_parallelism_threads=num_threads))
else:
return tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))
K.set_session(get_my_session())
如上圖所示， 我在使用tensorflow之前(也就是該工程文件前面)，對session進行自定義，然后用自定義的session設定keras.backend.set_session();
然后刪除get_value() 函數，直接用get_value()中所使用的執行語句x.eval(session=get_my_session())；這樣這個添加節點導致內存泄露的核心語句x.eval()就使用的是該工程統一自定義session，然后用tf.reset_default_graph() 對圖重置就可以了
即上圖問題代碼修改為：
output = ctc_decode(y_pred,input_length=input_length,)
output = output[0][0]
out = output.eval(session=get_my_session())
# 刪除 K.get_value(out[0][0])
tf.reset_default_graph() # 然后重置tf圖，這句很關鍵
這樣就解決了get_value()導致的越來越慢的問題；
個人認為：這樣可能就不會總是添加新的節點，導致tf圖不斷地無限變大；而是重復使用這一個自定義的節點。
補充：tensorflow與keras之間版本問題引起get_session問題解決辦法
1.產生報錯原因
import tensorflow.keras.backend as K
def __init__(self, **kwargs):
self.__dict__.update(self._defaults) # set up default values
self.__dict__.update(kwargs) # and update with user overrides
self.class_names = self._get_class()
self.anchors = self._get_anchors()
self.sess = K.get_session()
報錯如下：
get_session is not available when using TensorFlow 2.0.
意思是 tf2.0 沒有 get_session
2.解決方案1
import tensorflow.python.keras.backend as K
sess = K.get_session()
3. 解決方案2
import tensorflow as tf
sess = tf.compat.v1.keras.backend.get_session()
之前一直采用方案1 解決，感覺比較方便；但是解決方案1 有其它屬性會丟失問題
比如AttributeError: module ‘keras.backend' has no attribute image_dim_ordering
所以建議大家采用方案2
以上為個人經驗，希望能給大家一個參考，也希望大家多多支持腳本之家。
您可能感興趣的文章:- keras修改backend的簡單方法
- 基于keras中訓練數據的幾種方式對比(fit和fit_generator)
- 淺談Keras中fit()和fit_generator()的區別及其參數的坑
- Keras保存模型并載入模型繼續訓練的實現
- TensorFlow2.0使用keras訓練模型的實現
- tensorflow2.0教程之Keras快速入門
- 淺析關于Keras的安裝(pycharm)和初步理解
- 基于Keras的擴展性使用
