南强小屋 Design By 杰米
如果在Keras内部多次使用同一个Model，例如在不同的数据集上训练同一个模型进而得到结果，会存在内存泄露的问题。在运行几次循环之后，就会报错OOM。
解决方法是在每个代码后面接clear_session()函数，显示的关闭TFGraph，再重启。
详情参考 https://keras.io/backend/#backend-functions。
from keras import backend as K
K.clear_session()
补充知识：Keras多次加载模型进行测试时内存溢出的解决方法
在进行实验的过程中，保存了每个epoch的模型参数文件，需要验证每个保存的模型的效果，想到直接简单粗暴的手法，就是一个循环里加载模型并进行验证，但是导致随着加载的模型越来越多，速度越来越慢。
方法如下：在每次加载模型之前，清空模型占用的内存即可。
import tensorflow as tf from keras import backend as K K.clear_session() tf.reset_default_graph() ‘'‘加载模型位置'‘'
更多内容信息，可以参见官网介绍https://keras.io/api/utils/backend_utils/
以上这篇Keras 快速解决OOM超内存的问题就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。
标签：
Keras,OOM,超内存
南强小屋 Design By 杰米
广告合作：本站广告合作请联系QQ：858582 申请时备注：广告合作（否则不回）
免责声明：本站文章均来自网站采集或用户投稿，网站不提供任何软件下载或自行开发的软件！ 如有用户或公司发现本站内容信息存在侵权行为，请邮件告知！ 858582#qq.com
免责声明：本站文章均来自网站采集或用户投稿，网站不提供任何软件下载或自行开发的软件！ 如有用户或公司发现本站内容信息存在侵权行为，请邮件告知！ 858582#qq.com
南强小屋 Design By 杰米
暂无Keras 快速解决OOM超内存的问题的评论...
RTX 5090要首发 性能要翻倍！三星展示GDDR7显存
三星在GTC上展示了专为下一代游戏GPU设计的GDDR7内存。
首次推出的GDDR7内存模块密度为16GB，每个模块容量为2GB。其速度预设为32 Gbps（PAM3），但也可以降至28 Gbps，以提高产量和初始阶段的整体性能和成本效益。
据三星表示，GDDR7内存的能效将提高20%，同时工作电压仅为1.1V，低于标准的1.2V。通过采用更新的封装材料和优化的电路设计，使得在高速运行时的发热量降低，GDDR7的热阻比GDDR6降低了70%。