tensorflow内存溢出问题

Tensorflow的静态图结构简洁清晰，符合人的思维。虽然编程上略微有些复杂，但是原理很容易看懂。

Tensorflow分建图过程和运行图（张量求值）两个阶段，在这两个阶段中都可以定义操作和张量。但是有一个非常容易犯的错误：把操作定义在循环里面。

例如下面这个例子，tf.assign操作放在了循环里面。

import tensorflow as tf

x = tf.Variable(1.0, dtype=tf.float32)

with tf.Session()as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(int(5)):
        ass = tf.assign(x, 2.0)
        sess.run(ass)
        del ass  # del操作不会删除ass这个操作结点，只是删除了内存中的引用
        print(tf.get_default_graph().get_operations())#查看图中的所有操作
print(tf.get_default_graph().get_operations())#session结束了但是session中开辟的变量也没有回收

在此例中，大量的“操作结点”被添加到图中，打开任务管理器查找python进程，可以发现内存一直在涨，原因就在于申请了大量的“tf.add”操作结点却无法释放。

这个问题如何避免呢？只需要把操作结点的定义放在循环外面就可以了。

举一个错误的例子，我们在计算accuracy时，如果把accuracy的操作结点定义在循环内部，那么随着训练批次的不断增加，会产生大量的操作结点，训练一段时间之后，内存就溢出了。