R中Keras多次训练后内存不足，现有清理命令无效如何解决？

• 补全原有清理流程的缺失步骤
  rm(model)仅移除R层对象引用，必须追加R原生垃圾回收触发逻辑，同时建议使用适配当前TensorFlow版本的会话清理接口，完整清理序列如下：

rm(model)
k_clear_session()
tf$keras$backend$clear_session()
gc()

• 提前配置TensorFlow内存策略
  在加载TensorFlow、Keras库之后，初始化任何模型之前添加如下配置，避免TensorFlow占用闲置CPU内存不归还：

library(tensorflow)
library(keras)

# 关闭不必要的编译优化减少内存占用
tf$config$optimizer$set_experimental_options(list("cpu_global_jit" = FALSE))
# 调整并行线程数，按需设置避免过多线程额外占用内存
tf$config$threading$set_inter_op_parallelism_threads(1)
tf$config$threading$set_intra_op_parallelism_threads(parallel::detectCores() - 1)

• 子进程隔离训练任务（最有效方案）
  针对R+Keras存在的会话内存残留无彻底清理方案的问题，最优解法是将每个模型的训练任务放到独立子进程中运行，训练完成后子进程销毁，操作系统会自动回收所有关联内存，完全避免内存泄漏问题，可借助callr包实现：

# 首次使用先安装：install.packages("callr")
library(callr)

# 定义单模型训练逻辑，仅返回需要的评估结果，不返回模型对象
train_task <- function(train_params) {
  library(keras)
  library(tensorflow)
  # 此处替换为你的数据加载、模型构建、训练逻辑
  x <- matrix(rnorm(1000 * 10), ncol = 10)
  y <- rnorm(1000)
  model <- keras_model_sequential(input_shape = 10) %>%
    layer_dense(train_params$hidden_units, activation = "relu") %>%
    layer_dense(1)
  model %>% compile(optimizer = "adam", loss = "mse")
  history <- model %>% fit(x, y, epochs = train_params$epochs, batch_size = 32, verbose = 0)
  return(list(min_loss = min(history$history$loss)))
}

# 多模型训练循环
for (i in 1:15) {
  params <- list(hidden_units = 16 * i, epochs = 5)
  # 启动独立子进程运行训练任务
  task_res <- r(train_task, params = params)
  # 处理训练结果
  print(paste0("第", i, "轮训练最小损失：", task_res$min_loss))
}

• 降低训练过程内存开销
  训练时调小batch size，不预加载全量训练数据到内存，关闭不需要的训练回调（如全量日志、每轮权重保存等），也能大幅降低内存占用峰值，减少内存不足的概率。

内容的提问来源于stack exchange，提问作者Ingolifs