python - 使用常量初始化时，Tensorflow 使用过多内存

Question

最近我发现一个奇怪的事情，Tensorflow 在用常量初始化变量时似乎占用了过多的内存。有人可以帮助我理解下面的示例吗？

$ 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

• 您在 numpy 数组中存储了 900MB。
• tf.Variable(a) 等同于 tf.Variable(tf.constant(a))。为了创建这个常量，Python 客户端在 Python 运行时将 900MB 常量附加到 Graph 对象
• Session.run 触发 TF_ExtendGraph 将图形传输到 TensorFlow C 运行时，另外 900MB
• session 在 TensorFlow 运行时为 b tf.Variable 对象分配 900MB

这会分配 3600MB 的内存。为了节省内存，您可以改为执行类似的操作

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。