KERAS预测记忆互换无限地增加

Question

我使用keras实现了一个分类程序。我有一大堆图像，我想使用for循环预测每个图像。

但是，每次计算新图像时，交换内存都会增加。我试图删除预测函数内部的所有变量（我敢肯定，在此功能内部存在问题），但内存仍然增加。

for img in images:
    predict(img, model, categ_par, gl_par)

和相应的功能：

def predict(image_path, model, categ_par, gl_par):   
    print("[INFO] loading and preprocessing image...")
    orig = cv2.imread(image_path)  
    image = load_img(image_path, target_size=(gl_par.img_width, gl_par.img_height))  
    image = img_to_array(image)  
    # important! otherwise the predictions will be '0'  
    image = image / 255  
    image = np.expand_dims(image, axis=0)
    # build the VGG16 network
    if(categ_par.method == 'VGG16'):
        model = applications.VGG16(include_top=False, weights='imagenet')  
    if(categ_par.method == 'InceptionV3'):
        model = applications.InceptionV3(include_top=False, weights='imagenet')  
    # get the bottleneck prediction from the pre-trained VGG16 model  
    bottleneck_prediction = model.predict(image)  
    # build top model  
    model = Sequential()  
    model.add(Flatten(input_shape=bottleneck_prediction.shape[1:]))  
    model.add(Dense(256, activation='relu'))  
    model.add(Dropout(0.5))  
    model.add(Dense(categ_par.n_class, activation='softmax'))  
    model.load_weights(categ_par.top_model_weights_path)  
    # use the bottleneck prediction on the top model to get the final classification  
    class_predicted = model.predict_classes(bottleneck_prediction) 
    probability_predicted = (model.predict_proba(bottleneck_prediction))
    classe = pd.DataFrame(list(zip(categ_par.class_indices.keys(), list(probability_predicted[0])))).
    rename(columns = {0:'type', 1: 'prob'}).reset_index(drop=True)
    #print(classe)
    del model
    del bottleneck_prediction
    del image
    del orig
    del class_predicted
    del probability_predicted
    return classe.set_index(['type']).T

Answer 1

如果您使用的是TensorFlow后端，则将为for循环中的每个IMG构建一个模型。TensorFlow只是将图形附加到图表等。这意味着内存只是上升。这是一个众所周知的事件，必须在高参数优化期间处理许多模型，但也必须在这里进行。

from keras import backend as K

并将其放在预测的末尾：

K.clear_session()

或者您只能构建一个模型并将其作为预测功能输入，因此您并非每次都建立一个新的模型。