EagerSession.ResourceCleanupStrategy

publik enum akhir statis EagerSession.ResourceCleanupStrategy

Mengontrol cara pembersihan resource TensorFlow saat tidak diperlukan lagi.

Semua sumber daya yang dialokasikan selama EagerSession akan dihapus ketika sesi ditutup. Untuk mencegah kesalahan kehabisan memori, sangat disarankan untuk membersihkan sumber daya tersebut selama sesi. Misalnya, mengeksekusi n operasi dalam satu putaran iterasi m akan mengalokasikan sumber daya minimum n * m sementara dalam banyak kasus, hanya sumber daya dari iterasi terakhir yang masih digunakan.

EagerSession dapat diberi tahu dengan berbagai cara saat objek TensorFlow tidak lagi dirujuk, sehingga dapat melanjutkan ke pembersihan resource apa pun yang dimilikinya.

Metode Warisan

Nilai Enum

publik static final EagerSession.ResourceCleanupStrategy IN_BACKGROUND

Pantau dan hapus sumber daya yang tidak digunakan dari utas baru yang berjalan di latar belakang.

Ini adalah pendekatan paling andal untuk membersihkan resource TensorFlow, dengan biaya memulai dan menjalankan thread tambahan yang didedikasikan untuk tugas ini. Setiap instance EagerSession memiliki EagerSession sendiri, yang dihentikan hanya ketika sesi ditutup.

Strategi ini digunakan secara default.

EagerSession.ResourceCleanupStrategy ON_SAFE_POINTS publik statis akhir

Pantau dan hapus sumber daya yang tidak digunakan dari utas yang ada, sebelum atau setelah mereka menyelesaikan tugas lain.

Resource yang tidak digunakan dirilis saat panggilan ke library TensorFlow mencapai titik aman untuk pembersihan. Ini dilakukan secara serempak dan mungkin memblokir utas yang memicu panggilan itu dalam waktu singkat.

Strategi ini harus digunakan hanya jika, karena alasan tertentu, tidak ada utas tambahan yang harus dialokasikan untuk pembersihan. Jika tidak, IN_BACKGROUND lebih disukai.

EagerSession.ResourceCleanupStrategy ON_SESSION_CLOSE publik statis akhir

Hapus sumber daya hanya saat sesi ditutup.

Semua sumber daya yang dialokasikan selama sesi akan tetap berada di memori hingga sesi ditutup secara eksplisit (atau melalui teknik `coba-dengan-sumber` tradisional). Tidak ada tugas tambahan untuk pembersihan sumber daya yang akan dicoba.

Strategi ini dapat menyebabkan kesalahan kehabisan memori dan penggunaannya tidak disarankan, kecuali ruang lingkup sesi dibatasi untuk mengeksekusi hanya sejumlah kecil operasi.