tensorflow的session和内存溢出

我有一个九十多张图片的成对测试集，要计算输出图片和gt的PSNR和SSIM，这两个的计算tf是有接口的，直接调用就可以，问题是每次跑几张图片就内存溢出，进程被kill掉了，经过一番调研终于解决，来此记录。

TensorFlow的session

首先介绍一下session（会话）。

会话的作用是处理内存分配和优化，使我们能够实际执行由计算图指定的计算。你可以将计算图想象为我们想要执行的计算的「模版」：它列出了所有步骤。为了使用计算图，我们需要启动一个会话，它使我们能够实际地完成任务；例如，遍历模版的所有节点来分配一堆用于存储计算输出的存储器。为了使用 TensorFlow 进行各种计算，你既需要计算图也需要会话。

会话包含一个指向全局图的指针，该指针通过指向所有节点的指针不断更新。这意味着在创建节点之前还是之后创建会话都无所谓。

创建会话对象后，可以使用 sess.run(node) 返回节点的值，并且 TensorFlow 将执行确定该值所需的所有计算。

常用的两种用法：
1、sess = tf.Session()使用完需要显式关闭：

sess.close()

2、with tf.Session() as sess: 自动完成关闭动作

问题分析

之前我以为，每次循环会覆盖掉psnr和ssim两个变量的内容，所以训练集有多大应该不影响内存的占用。但每次跑十几张图片进程就被kill掉，说明在循环的过程中有一些内存没有被释放掉，产生了积累。查了一些资料之后，我找到了tf.reset_default_graph()这个函数。
TensorFlow执行的时候会自动新建很多节点，而重置计算图就可以解决这个问题。

for test_id in test_ids:
    with tf.Session() as sess:
        img1 = cv2.imread(result_dir + '%12s_out.png' % test_id)
        img2 = cv2.imread(result_dir + '%12s_gt.png' % test_id)

        psnr = tf.image.psnr(img1, img2, max_val=255)
        ssim = tf.image.ssim(tf.convert_to_tensor(img1), tf.convert_to_tensor(img2), max_val=255)
        i = i + 1
        print(i, test_id, psnr.eval(), ssim.eval())

    tf.reset_default_graph()#在每个session执行完重置计算图，注意一定不能在sess代码块里面调用