最近在項目中需要使用tensorflow來對圖片進行離線預處理，但是使用sess.run時代碼越來越慢，最后幾分鐘才能處理一張圖片，這可怎么能行，我的數據集有數萬張圖片......

原始代碼

def process(img, .. , .. ,):.......return imgdef main():.......with tf.Session() as sess:for i in range(len(dataset)):img_op = process(...) #構圖動作img = sess.run(img_op).......if __name__ == "__main__":main()

代碼在執行的過程中越來越慢，并且占用的內存空間越來越大，這就說明代碼本身是存在問題的。
我們知道，tensorflow在執行之前是要先構圖，然后再向圖中feed數據，正常來說，這兩個過程應該是分開進行的，但是由于我們在編寫代碼時的不規范，就容易在feed數據的過程在向計算圖中添加新的計算節點，你比如，我這里的img_op = process(.....)本身就是添加計算節點的動作，又叫做構圖動作，這些動作是非常危險的，不僅會影響運行速度，還會擴大計算圖的規模，占用過多的內存，有可能會導致程序崩潰。所以導致我代碼運行緩慢的原因是找到了，那么該怎么解決呢？
有兩種方案：1.將構圖動作移動到循環外。2.再循環里不斷變換當前的計算圖。
我們來分析以下兩種方法分別適合什么樣的場景：
1.將構圖動作移動到循環外。代碼如下：

def process(, .. , .. ,):img = tf.placeholder(tf.int64, shape=[,,,], name='input').......return imgdef main():.......img_op = process(...) #構圖動作with tf.Session() as sess:for i in range(len(dataset)):img_np = np.array(..)img = sess.run(img_op, feed_dict = {input:0: img_np}).......if __name__ == "__main__":main()

使用標準的構圖方式建立一個計算圖，使用feed_dict喂入數據，那么聰明的你可能已經發現了一個問題，就是，如果我的圖片size大小不一怎么辦，沒辦法使用tf.placeholder來占位。沒錯，這種辦法由于是靜態計算圖的原因，只適用于固定輸入尺寸的處理任務，想要解決剛剛的問題只能使用第二種辦法。
2.再循環里不斷變換當前的計算圖。代碼如下：

def process(img, .. , .. ,):.......return imgdef main():.......for i in range(len(dataset)):tf.reset_default_graph() #########重置計算圖with tf.Session() as sess:img_op = process(...) #構圖動作，創建計算圖img = sess.run(img_op)tf.get_default_graph().finalize() #關閉當前計算圖.......if __name__ == "__main__":main()

這種辦法，我們發現，我們每次送入圖中的數據都可以是尺寸不一的，因為在處理每一個數據時都會創建新的計算圖，并且在處理結束后關閉當前計算圖。通過這樣的方式，我們就實現了代碼維護一個動態的計算圖，就避免了一開始計算圖越來越大所導致的種種問題。

兩種辦法所使用的場景不相同，重點是大家可以理解二者的區別究竟在哪里，并理解tensorflow的圖計算機制，來選擇適合自己工程的方式

總結

以上是生活随笔為你收集整理的坑 之 tensorflow使用sess.run处理图片时越来越慢，占用内存越来越大的问题的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。