这几天写tensorflow的时候发现随着迭代的次数越来越多，tensorflow跑的速度越来越慢。查找才发现是tensorflow不断的给之前的图里加节点，导致占用的内存越来越大，然后我尝试了网上的各种方法，终于发现了一个靠谱的方法，先放上代码

tf.reset_default_graph()

graph = tf.Graph()

with graph.as_default() as g:

x_data = tf.placeholder(shape=[None, 36], dtype=tf.float32, name="input")

y_output = tf.placeholder(shape=None, dtype=tf.float32, name="output")

# 第一层

layer_1 = tf.layers.dense(inputs=x_data, units=36, activation=tf.nn.relu, use_bias=True)

# 第二层

layer_2 = tf.layers.dense(inputs=layer_1, units=10, activation=None, use_bias=True)

# 输出层

weight = tf.Variable(tf.random_normal(shape=[10, 1], stddev=1.0))

bia = tf.Variable(tf.random_normal(shape=[1], stddev=1.0))

finish_output = tf.matmul(layer_2, weight) + bia

tf.add_to_collection("out", finish_output)

loss = tf.reduce_mean(tf.square(y_output - finish_output))

opt = tf.train.AdamOptimizer(0.01)

train_opt = opt.minimize(loss)

tf.add_to_collection("train_opt", train_opt)

saver = tf.train.Saver()

with tf.Session(graph=g) as sess:

init = tf.global_variables_initializer()

sess.run(init)

for i in range(len(x_data_array)):

# 使用数据训练

if i > 60:

break

p = x_data_array[i]

p = np.array(p)

p = p.reshape([1, 36])

sess.run(train_opt, feed_dict={

x_data: p, y_output: y_data

})

saver.save(sess, "./versionPool/" + str(index) + "/model_" + str(index) + ".ckpt")

可以看出来我这段代码是加载了保存过的模型

其中

tf.reset_default_graph()

graph = tf.Graph()

with graph.as_default() as g:

这个起到了关键作用，每次再训练的时候重置一下图，用新的图训练。这里踩了一个坑，我以为用了新图可以直接使用

tf.train.import_meta_graph()

然后通过变量名导入再跑就行了，然后我怎么用调都没法解决，最后我直接再定义一遍需要用的变量和操作然后就可以跑起来了

因为我在我的项目中还需要时刻通过这个模型来预测，然后发现报错了，尝试了许久，我就在我生成模型的那部分代码也改成类似的

tf.reset_default_graph()

graph = tf.Graph()

with graph.as_default() as g:

x_data = tf.placeholder(shape=[None, 36], dtype=tf.float32, name="input")

y_output = tf.placeholder(shape=None, dtype=tf.float32, name="output")

# 第一层

layer_1 = tf.layers.dense(inputs=x_data, units=36, activation=tf.nn.relu, use_bias=True)

# 第二层

layer_2 = tf.layers.dense(inputs=layer_1, units=10, activation=None, use_bias=True)

# 输出层

weight = tf.Variable(tf.random_normal(shape=[10, 1], stddev=1.0))

bia = tf.Variable(tf.random_normal(shape=[1], stddev=1.0))

finish_output = tf.matmul(layer_2, weight) + bia

tf.add_to_collection("out", finish_output)

loss = tf.reduce_mean(tf.square(y_output - finish_output))

opt = tf.train.AdamOptimizer(0.01)

train_opt = opt.minimize(loss)

tf.add_to_collection("train_opt", train_opt)

saver = tf.train.Saver()

with tf.Session() as sess:

init = tf.global_variables_initializer()

sess.run(init)

sess.run(train_opt, feed_dict={

x_data: init_random_list(), y_output: np.random.randint(0, 1000)

})

saver.save(sess, "./versionPool/" + str(index) + "/model_" + str(index) + ".ckpt")

可以看出来这是第一次生成模型的代码，我第一次就直接用了

tf.reset_default_graph()

graph = tf.Graph()

然后我在使用模型做预测的过程中就不会报错了

欢迎来我的博客 Qi的博客