使用常量初始化时,Tensorflow使用太多内存

Question

我最近注意到一个奇怪的事情,Tensorflow在使用常量初始化变量时似乎使用了太多内存.有人可以帮我理解下面的例子吗？

$ python -m memory_profiler test.py 
[0 1 2 3 4 5 6 7 8 9]
Filename: test.py

Line #    Mem usage    Increment   Line Contents
================================================
 4  144.531 MiB    0.000 MiB   @profile
 5                             def go():
 6  907.312 MiB  762.781 MiB    a = np.arange(100000000)
 7  910.980 MiB    3.668 MiB    s = tf.Session()
 8 1674.133 MiB  763.152 MiB    b = tf.Variable(a)
 9 3963.000 MiB 2288.867 MiB    s.run(tf.variables_initializer([b]))
10 3963.145 MiB    0.145 MiB    print(s.run(b)[:10])

Answer 1

• 你有900MB存储在numpy阵列中.
• tf.Variable(a)相当于tf.Variable(tf.constant(a)).要创建此常量,Python客户端会在Python运行时向Graph对象附加900MB常量
• Session.run触发TF_ExtendGraph,它将图形传输到TensorFlow C运行时,另外900MB
• session b tf.Variable在TensorFlow运行时为对象分配900MB

这使得3600MB的内存分配.为了节省内存,你可以做这样的事情

a_holder = tf.placeholder(np.float32)
b = tf.Variable(a_holder)
sess.run(b.initializer, feed_dict={a_holder: np.arange(100000000)})

TLDR; 避免创建大常量.