在Keras / Tensorflow中計算困惑和內存問題

Question

我想在每個訓練時期后以困惑度評估我的模型。 我正在將Keras與Tensorflow后端一起使用。 問題在於，每次評估之后，都會使用越來越多的內存，但從未釋放過。 因此，經過幾個時期后，我的系統崩潰了。 如果我不使用keras和tensorflow函數，它將不會出現內存問題。 但這太慢了。 這是代碼：

def compute_perplexity(self, modelName, sentences):
    all_labels, all_predictions = self.predictLabels_for_perplexity_evaluation(self.models[modelName], sentences)
    # add an axis to fit tensor shape
    for i in range(len(all_labels)):
        all_labels[i] = all_labels[i][:,:, np.newaxis]

#calculate perplexity for each sentence length and each datapoint and append to list
perplexity = []
for i in range(10,15): #range(len(all_labels)):
    start = time.time()
    xentropy = K.sparse_categorical_crossentropy(tf.convert_to_tensor(all_labels[i]), tf.convert_to_tensor(all_predictions[i]))
    perplexity.append(K.eval(K.pow(2.0, xentropy)))
    print('time for one set of sentences. ', time.time()- start)
#average for each datapoint
for i in range(len(perplexity)):
    perplexity[i] = np.average(perplexity[i], axis=1)
    perplexity[i] = np.average(perplexity[i])

return np.mean(perplexity)

Answer 1

無需使用TensorFlow評估該指標，您編寫的代碼是每次調用圖時將all_labels數組添加到圖形中，從而說明了您所看到的內存使用情況。

考慮使用numpy實現所有這些計算，或者考慮使用feed_dict （不使用tf.convert_to_tensor ）對會話中的新數據進行評估的操作。