python - 为什么单次调用 Keras model.predict() 使用 1.3 GB 内存？

Question

我目前正在使用 Keras 和 TensorFlow 后端将 Deepmind 的 AlphaZero 重新创建为个人项目。在每次游戏模拟过程中，我使用的 NN 都需要进行许多预测。NN 正常工作，但使用了过多的 CPU RAM。

我psutil.Process(os.getpid()).memory_info().rss用来打印内存使用情况，model.predict()第一次调用时，内存使用量从大约 0.3 GB 跳到 1.6 GB。在连续调用时，不会分配新的内存（或至少很少）。

我不确定这是否是预期行为，但我希望程序尽可能高效地运行，就像我希望在 Google Compute Engine 上的 TPU 上运行它一样。

下面是我的 Keras 模型的代码：

main_input = Input(shape = self.input_dim, name = 'main_input', dtype="float32")

x = self.conv_layer(main_input, 256, (3,3))

for i in range(19): # AlphaZero used 19
    x = self.residual_layer(x, 256, (3, 3))

vh = self.value_head(x)
ph = self.policy_head(x)

model = Model(inputs=[main_input], outputs=[vh, ph])
model.compile(loss={'value_head': 'mean_squared_error', 'policy_head': softmax_cross_entropy_with_logits},
    optimizer=SGD(lr=self.learning_rate, momentum = MOMENTUM), #config.MOMENTUM
    loss_weights={'value_head': 0.5, 'policy_head': 0.5}
)

神经网络非常大，因此它的大小可能会影响分配的 RAM 量，但 1.6 GB 似乎不合理。此外，如果我将模型减少到只有 2 个剩余层而不是 19 个，它仍然会分配大约 1.54 GB 而不是之前使用的 1.6 GB。

标签： pythontensorflowmachine-learningmemory-leakskeras