當我選擇 Tensorflow（1.12.0 版）模型的超參數的網格搜索由于內存消耗激增而崩潰時，我注意到了這一點。請注意，與此處類似的問題不同，我確實關閉了圖形和會話（使用上下文管理器），并且我沒有向循環中的圖形添加節點。我懷疑 tensorflow 可能維護了在迭代之間不會被清除的全局變量，所以我在迭代之前和之后調用了 globals() 但在每次迭代之前和之后沒有觀察到全局變量集的任何差異。我做了一個重現問題的小例子。我在循環中訓練一個簡單的 MNIST 分類器并繪制該過程消耗的內存：import matplotlib.pyplot as pltimport osos.environ['TF_CPP_MIN_LOG_LEVEL'] = '3'import psutilimport tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_dataprocess = psutil.Process(os.getpid())N_REPS = 100N_ITER = 10mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)x_test, y_test = mnist.test.images, mnist.test.labels# Runs experiment several times.mem = []for i in range(N_REPS):    with tf.Graph().as_default():        net = tf.contrib.layers.fully_connected(x_test, 200)        logits = tf.contrib.layers.fully_connected(net, 10, activation_fn=None)        loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_test, logits=logits))        train_op = tf.train.AdamOptimizer(learning_rate=0.0001).minimize(loss)        init = tf.global_variables_initializer()        with tf.Session() as sess:            # training loop.            sess.run(init)            for _ in range(N_ITER):                sess.run(train_op)    mem.append(process.memory_info().rss)plt.plot(range(N_REPS), mem)結果圖如下所示：在我的實際項目中，進程內存從幾百 MB 開始（取決于數據集大?。钡轿业南到y內存不足為止增加到 64 GB。我嘗試了一些減緩增長的方法，例如使用占位符和 feed_dicts 而不是依賴 convert_to_tensor。但持續的增長仍在那里，只是變慢了。