我使用自定义模型的tensorflow来训练一些ai，我有记忆问题。我的模型由3个不同的层组成，每个层接收和处理不同的信息，这些信息的输出然后一起被馈送到一个密集的网络中，最终给我一些输出。
def call(self, x, training=False):
if training:
xs = []
for xx in x:
xx = tf.concat([self.com(xx[0], training), self.hand(xx[1], training), self.rec(xx[2], training)], 1)
xx = self.out_0(xx)
xx = self.out_1(xx)
xs.append(xx)
return tf.stack(xs)
else:
x = tf.concat([self.com(x[0], training), self.hand(x[1], training), self.rec(x[2], training)], 1)
x = self.out_0(x)
x = self.out_1(x)
return x
这就是我如何为我的模型编写调用函数。通常，x是一个由3个张量组成的列表，每个张量代表不同的输入，被送入不同的层。当训练时，我放入一个列表，其中列表中的每个元素都是我的正常输入，就像一个包含3个张量的列表。我是这样做的，而不是使用数据集，因为我找不到一种方法使它工作，除非我放弃批处理而不组合这3个张量，这是不可能的，由于形状的差异。
然而，由于某种原因，每当我在这个模型的实例上调用fit时，我的内存消耗就会异常地增加，并且不会消失。我必须多次调用fit，所以这是一个非常大的问题。
我怀疑这可能与我写的调用函数有关，特别是训练后的门控部分，因为当我以不批处理的代价调用数据集fit并删除由于不再需要的门控部分时，内存问题消失了。然而，我不知道为什么。
另外，我认为这可能与默认图形在某种程度上创建了一些东西，并且在调用fit时不清理它们有关，但我也不知道这种怀疑有多有效。
已解决。问题是我如何使用python列表作为输入调用fit。这导致了tf。函数在被调用的时候都是新建的，实际上，这使得内存消耗达到了惊人的水平。