هشدار: این API منسوخ شده و پس از ثبات جایگزینی در نسخه بعدی TensorFlow حذف خواهد شد.

EagerSession.ResourceCleanupStrategy

فهرست نهایی استاتیک عمومی EagerSession.ResourceCleanupStrategy

نحوه تمیز کردن منابع TensorFlow را هنگامی که دیگر نیازی به آنها ندارند کنترل می کند.

با بسته شدن جلسه ، تمام منابع تخصیص یافته در طول EagerSession حذف می شوند. برای جلوگیری از خطاهای خارج از حافظه ، به شدت توصیه می شود که منابع را در طول جلسه پاک کنید. به عنوان مثال ، اجرای n عملیات در یک حلقه تکرار حداقل n * m منابع را تخصیص می دهد در حالی که در اکثر موارد ، فقط منابع آخرین تکرار همچنان مورد استفاده قرار می گیرند.

EagerSession موارد EagerSession داده نمی شوند ، می توان از طریق روش های مختلف موارد EagerSession را مطلع کرد ، بنابراین آنها می توانند به تمیز کردن منابع خود بپردازند.

روشهای ارثی

Enum Values

نهایی استاتیک عمومی EagerSession.ResourceCleanupStrategy IN_BACKGROUND

منابع استفاده نشده را از یک موضوع جدید که در پس زمینه اجرا می شود کنترل و حذف کنید.

این روش مطمئن ترین روش برای پاکسازی منابع TensorFlow است ، با هزینه راه اندازی و اجرای یک موضوع اضافی اختصاص داده شده به این کار. هر نمونه EagerSession رشته خاص خود را دارد که فقط با بسته شدن جلسه متوقف می شود.

این استراتژی به طور پیش فرض استفاده می شود.

EagerSession نهایی استاتیک عمومی. ResourceCleanupStrategy ON_SAFE_POINTS

قبل یا بعد از اینکه کار دیگری را انجام دادند ، منابع استفاده نشده را از رشته های موجود کنترل و حذف کنید.

هنگامی که تماس با کتابخانه TensorFlow به یک نقطه امن برای پاکسازی می رسد ، منابع استفاده نشده آزاد می شوند. این کار به صورت همزمان انجام می شود و ممکن است رشته ای که آن تماس را ایجاد کرده برای مدت کوتاهی مسدود کند.

این استراتژی باید فقط درصورتی استفاده شود که بنا به دلایلی ، هیچ رشته اضافی برای پاکسازی اختصاص داده نشود. در غیر این صورت ، IN_BACKGROUND باید ترجیح داده شود.

عمومی استاتیک نهایی EagerSession.ResourceCleanupStrategy ON_SESSION_CLOSE

فقط وقتی جلسه بسته است منابع را حذف کنید.

تمام منابع تخصیص یافته در طول جلسه تا زمانی که جلسه صریحاً بسته نشود در حافظه باقی می مانند (یا از طریق روش سنتی "سعی کنید با منبع"). هیچ کار اضافی برای پاکسازی منابع انجام نخواهد شد.

این استراتژی می تواند منجر به خطاهای خارج از حافظه شود و استفاده از آن توصیه نمی شود ، مگر اینکه دامنه جلسه فقط به انجام عملیات اندکی محدود شود.