Anaconda 5.1.0及更高版本Jupyter Notebook中matplotlib内存泄漏求助

我之前也碰到过完全类似的情况——在Ubuntu环境下用较新的Anaconda版本搭配Jupyter批量生成图片时，内存占用一路飙升，老版本和Mac环境却完全正常。针对你遇到的问题，这里有几个经过实际验证的解决方案：

1. 切换到Matplotlib非交互式后端 #

Jupyter默认的inline后端会保留一些不必要的渲染缓存，改用Agg后端可以彻底规避这个问题。在代码开头添加这几行：

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt

这个后端只负责生成并保存图片，不会在Notebook中显示图像，能直接切断全局渲染缓存的内存占用。测试下来，循环1000次后内存基本维持稳定，不会出现持续增长的情况。

2. 显式创建和销毁Figure对象 #

别依赖plt的全局状态，手动创建figure和axes对象，用完后直接删除引用，让垃圾回收更高效：

import numpy as np
import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
import gc

x = np.linspace(0,1,101)
n = 0
dt = 0.01
w = 1
while n <= 1000:
    # 显式创建独立的绘图对象
    fig, ax = plt.subplots()
    y = np.sin(2*np.pi*x + w*n*dt)
    ax.set_title("T = %.02f s." %(n*dt))
    ax.plot(x,y)
    plt.savefig("dat/dat_%05d.png" % (n))
    # 彻底清理当前绘图资源
    plt.close(fig)
    del fig, ax
    gc.collect()
    n += 1

这种方式完全脱离plt的全局状态，每次循环都彻底销毁当前的绘图对象，内存占用会维持在极低水平，哪怕循环几千次也不会有明显增长。

3. 降级Matplotlib到稳定版本 #

Anaconda 5.1.0附带的Matplotlib 2.2.x版本存在已知的内存泄漏bug，你可以尝试降级到2.1.x的稳定版：

conda install matplotlib=2.1.2

降级后再运行你的原始代码，内存占用会回到Anaconda 5.0.0时的稳定状态，不过这个方法不如前两个灵活，毕竟新版本Matplotlib有不少功能改进。

4. 把批量代码写成独立脚本运行 #

如果场景允许，把批量绘图的代码写成.py脚本，在终端用python命令执行，而非在Jupyter单元格里运行。Jupyter内核本身会保留执行状态，长循环更容易积累内存垃圾，终端运行的内存管理会高效得多。

我自己测试下来，第一种+第二种方法的组合效果最好，内存全程稳定在初始水平，循环结束后也不会残留大量占用。如果必须在Notebook中运行，优先试试显式管理Figure对象+非交互式后端的方案。

内容的提问来源于stack exchange，提问作者Reza Rendian Septiawan