使用 tcmalloc 分配器

为了提高内存分配性能，许多 TensorFlow 用户经常使用 tcmalloc 而不是默认的 malloc() 实现，因为在分配和释放大对象（例如许多张量）时，tcmalloc 受碎片的影响较小。已知一些内存密集型 TensorFlow 程序会使用默认的 malloc() 泄漏堆地址空间 （同时释放它们使用的所有单个对象），但在切换到 tcmalloc 后执行得很好。此外，tcmalloc 还包括一个堆分析器 ，可以跟踪可能发生的任何剩余泄漏的位置。

tcmalloc 的安装将取决于你的操作系统，但以下适用于 Ubuntu 14.04（可靠） （其中 script.py 是你的 TensorFlow Python 程序的名称）：

$ sudo apt-get install google-perftools4
$ LD_PRELOAD=/usr/lib/libtcmalloc.so.4 python script.py ...

如上所述，简单地切换到 tcmalloc 可以解决许多明显的泄漏问题。但是，如果内存使用量仍在增长，你可以使用堆分析器，如下所示：

$ LD_PRELOAD=/usr/lib/libtcmalloc.so.4 HEAPPROFILE=/tmp/profile python script.py ...

运行上述命令后，程序将定期将配置文件写入文件系统。配置文件序列将命名为：

• /tmp/profile.0000.heap
• /tmp/profile.0001.heap
• /tmp/profile.0002.heap
• …

你可以使用 google-pprof 工具读取配置文件，该工具可以作为 google-perftools 软件包的一部分安装（例如，在 Ubuntu 14.04 上）。例如，要查看上面收集的第三个快照：

$ google-pprof --gv `which python` /tmp/profile.0002.heap

运行上述命令将弹出 GraphViz 窗口，将配置文件信息显示为有向图。