TensorFlow长期循环中内存持续增长问题求助（已用clear_session和gc.collect仍未解决）

安全阿岳

2026-4-8

兄弟我太懂你这种糟心的情况了——在VPS上跑循环训练股票模型，本来想让它稳定跑着，结果内存蹭蹭往上涨，最后直接崩了，明明已经加了clear_session和gc.collect还是没用，这搁谁都头疼！

我之前帮朋友排查过类似的问题，给你几个实际能落地的排查和解决方向，都是踩过坑总结出来的：

先把模型定义封装成函数，别在循环里裸写
要是你每次循环都直接在里面定义模型结构（比如model = tf.keras.Sequential([...])直接塞循环里），哪怕清了session，可能还是有隐性的图引用没被回收。最好把模型定义封装成独立函数，每次循环调用函数生成新模型，训练完立刻删掉模型变量：

def build_stock_model():
    # 所有层的定义都放函数里，局部作用域更安全
    model = tf.keras.Sequential([
        tf.keras.layers.Dense(64, activation='relu'),
        tf.keras.layers.Dense(32, activation='relu'),
        tf.keras.layers.Dense(1)
    ])
    model.compile(optimizer='adam', loss='mse')
    return model

# 循环内逻辑
for ticker in ticker_list:
    model = build_stock_model()
    # 训练过程...
    model.fit(X_train, y_train, epochs=10)
    # 关键：先删掉模型变量
    del model

用了循环层？别忘重置状态
如果你用了LSTM、GRU这类带状态的循环层，光删模型不够，得先重置层的状态！这些层会保留上一次训练的状态，不重置的话内存会一直积累：
```
# 训练完立刻加这行
model.reset_states()
```
数据变量也要彻底清，别留尾巴
yfinance拉的DataFrame、处理出来的训练集X/y，这些都是内存大户！每次循环后一定要把这些变量也删掉，别让它们在内存里飘着：
```
# 循环最后统一清理
del data, X_train, y_train, X_test, y_test
```

GPU环境要开动态内存分配
要是你VPS用的是GPU，TensorFlow默认会预占全部GPU内存，而且有时候释放不及时。可以在脚本最开头加一段代码，开启内存增长模式，让TensorFlow只占需要的内存，用完就释放：

import tensorflow as tf

# 开启GPU内存动态分配
physical_devices = tf.config.list_physical_devices('GPU')
if physical_devices:
    try:
        tf.config.experimental.set_memory_growth(physical_devices[0], True)
    except RuntimeError as e:
        print(e)

用工具精准定位泄漏点，别瞎猜
要是上面的方法都试了还是不行，别硬扛，用memory_profiler工具排查！它能帮你看到每一行代码的内存变化，精准找到哪一步在漏内存：
1. 先装包：pip install memory-profiler
2. 用@profile装饰你的循环函数：
```
from memory_profiler import profile

@profile
def run_training_loop():
    ticker_list = ['AAPL', 'GOOG', 'MSFT']
    for ticker in ticker_list:
        # 把你的完整循环逻辑都放这里
        data = yfinance.download(ticker, start='2020-01-01', end='2024-01-01')
        # 数据处理、模型训练、清理步骤...

run_training_loop()
```
3. 运行脚本：python -m memory_profiler your_script.py，就能看到每一行的内存使用变化，哪个变量在涨一目了然。

最后补个关键提醒：别在全局作用域存循环里的东西！比如你要是在循环外面定义了个all_models = []，每次循环都把模型append进去，那就算你del model，列表里还存着引用，内存根本放不了，这种低级坑很容易踩！

内容来源于stack exchange