这篇文章主要为大家展示了如何解决基于Keras循环训练模型跑数据时内存泄漏问题，内容简而易懂，希望大家可以学习一下，学习完之后肯定会有收获的，下面让小编带大家一起来看看吧。
在使用完模型之后，添加这两行代码即可清空之前model占用的内存：
import tensorflow as tf from keras import backend as K K.clear_session() tf.reset_default_graph()
补充知识：keras 多个模型测试阶段速度越来越慢问题的解决方法
问题描述
在实际应用或比赛中，经常会用到交叉验证（10倍或5倍）来提高泛化能力，这样在预测时需要加载多个模型。常用的方法为
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使用这种方式时会发现，刚开始模型加载速度很快，但随着加载的模型数量增多，加载速度越来越慢，甚至延长了3倍以上。那么为什么会出现这种现象呢？
原因
由于tensorflow的图是静态图，但是如果直接加在不同的图（即不同的模型），应该都会存在内存中，原有的图并不会释放，因此造成了测试速度越来越慢。
解决方案
知道了原因，解决方案也就有了：每加载一个模型就对所有测试数据进行评估，同时在每次加载模型前，对当前session进行重置。keras的tf后台提供了clear_session方法来清除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以上就是关于如何解决基于Keras循环训练模型跑数据时内存泄漏问题的内容，如果你们有学习到知识或者技能，可以把它分享出去让更多的人看到。
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
