如何减少 TensorFlow 循环中的内存消耗？

我在 TensorFlow 中有一个循环，如下所示：

with tf.device("/gpu:1"):
    losses = []

    for target, output in zip(targets, lstm_outputs):
        logits = tf.matmul(W, output) + b
        loss = tf.nn.sparse_softmax_cross_entropy_with_logits(logits, target)
        losses.append(loss)

    total_loss = tf.add_n(losses)

为该层分配梯度时出现 OOM 错误，因为每个矩阵乘法都是占用内存的图中的不同操作。有没有办法阻止 TensorFlow 同时分配所有这些操作？

对于 TensorFlow 优化来说，这是一个具有挑战性的图，因为必须保留每一层的激活来聚合单个梯度W。一种可能性是通过实验性的 https://github.com/tensorflow/tensorflow/blob/0249729a26b2cd3bdbbc5880f8d634a56860b0fd/tensorflow/python/ops/gradients.py#L580 aggregation_method调用时的参数optimizer.optimize() https://www.tensorflow.org/versions/r0.7/api_docs/python/train.html#Optimizer.minimize.

例如，您可以尝试以下操作：

optimizer = tf.train.AdagradOptimizer(...)  # Or another optimization algorithm.
train_op = optimizer.minimize(
    total_loss,
    aggregation_method=tf.AggregationMethod.EXPERIMENTAL_ACCUMULATE_N)

此选项急切地聚合经常使用的变量的梯度，而不是将它们全部保留在内存中，直到计算出所有梯度。如果这不起作用，则tf.AggregationMethod.EXPERIMENTAL_TREE可能会工作得更好。