如何在嵌套循环中彻底销毁TensorFlow图？tf.reset_default_graph()用法困惑

你遇到的问题核心在于：tf.reset_default_graph() 只是清空默认图的结构定义，但当你在循环中重复导入预训练图到默认图时，默认图的全局特性会导致变量状态无法完全隔离，出现“清理不彻底”的情况。更可靠的方式是显式创建独立的Graph对象，让每次循环都在全新的图环境中运行。

为什么原来的方法不生效？ #

tf.reset_default_graph() 仅重置默认图的节点（比如操作、张量的定义），但你的循环逻辑是每次都重新把预训练图导入到默认图中，相当于又把旧结构加了回来。另外，Session默认关联全局默认图，这就导致循环中的操作始终在同一个全局图的“壳子”里运行，变量状态自然无法彻底重置。

正确的解决方案：显式创建独立Graph #

每次循环时，创建一个全新的tf.Graph()实例，并用as_default()上下文管理器把它设为当前上下文的默认图，所有相关操作（导入模型、创建Session、修改变量）都放在这个上下文里。这样每次循环的Graph都是完全独立的，循环结束后这个Graph对象会被Python垃圾回收机制彻底销毁，不会留下任何残留。

修改后的代码示例：

import tensorflow as tf

for i in range(X):
    # 每次循环创建全新的Graph
    with tf.Graph().as_default() as new_graph:
        # 在新图的上下文中导入预训练模型并创建Session
        with tf.Session(graph=new_graph) as sess:
            saver = tf.train.import_meta_graph(META)
            saver.restore(sess, MODEL)
            # 执行预训练模型中的张量操作
            sess.run(TENSORS_IN_PRETRAINED_MODEL)
            print(sess.run(...))
            # 定位目标变量并修改权重
            target_var = [v for v in tf.get_collection(tf.GraphKeys.GLOBAL_VARIABLES) if v.name == OLD_VALUE][0]
            sess.run(tf.assign(target_var, NEW_VALUE))
# 无需再调用tf.reset_default_graph()，每个循环的Graph都是独立隔离的

关键改动说明 #

• 每次循环创建独立tf.Graph()实例：用as_default()上下文确保所有操作都属于这个新图，和其他循环的图完全无关。
• 显式绑定Session与新图：创建Session时指定graph=new_graph，避免自动关联全局默认图。
• 放弃依赖tf.reset_default_graph()：因为每个循环的图都是独立创建的，循环结束后会被自动回收，不需要手动重置默认图。

关于tf.Graph()的常见误区 #

你提到尝试过new_graph()（应该是指tf.Graph()）但没成功，大概率是没有用as_default()上下文管理器把新图设为当前上下文的默认图。如果只是创建了Graph对象但没有进入它的上下文，后续的import_meta_graph还是会把图加载到全局默认图里，自然达不到隔离效果。

内容的提问来源于stack exchange，提问作者Amir