tensorflow 训练时内存溢出问题

我最近在尝试写FCN时，用了两层5*5的卷积和两层5*5的反卷积，训练数据是2000张图片，每次循环输入一张图片，输出一个数字表示本次循环结束，发现程序越跑越慢，原因是内存持续增大了。网上搜了一下发现，没几个是对的，于是只能自己填坑（有个sess.graph.finalize()的，没用）。

于是debug，发现每次循环输入图片后，每张图片前向传播产生的中间map都会保存下来，不会被清理掉（就是说每张图片输入网络后，产生的pool2，relu2等等都会留下），所以，可能是输入网络的方式有问题，考虑使用占位符。

1.原来的代码（for循环内）

input_img= matplotlib.image.imread(img)
input_img=np.reshape(input_img, (1, 256, 256, 3))
input_img=tf.image.convert_image_dtype(input_img, tf.float32)
input_img=sess.run(input1,feed_dict={input1:input_img})
output2= FCN_test.inference(input_img, 0, regularizer)

       这样直接输入网络是不行的

2.修改后的代码

   for 循环外

   

input = tf.placeholder(tf.float32, [1, 256, 256, 3], name='gg')
input1 = tf.image.convert_image_dtype(input, tf.float32)
output2= FCN_test.inference(input1, 0, regularizer)
tensor_ground = tf.placeholder(tf.float32, [65536], name='gg2')

for 循环内
    

        input_img= matplotlib.image.imread(img)
        input_img=np.reshape(input_img, (1, 256, 256, 3))

        out=sess.run(output2,feed_dict={input:input_img})

个人理解，这样通过sess使用占位符，每次输入新的图片后占用的是同样的空间，因此内存不会增加。