keras终止训练后显存不释放_keras 最佳实践

随着pytorch这种动态图的框架的出现，tensorflow也想要变得更简单易用，keras将成为tensorflow向更简单易用的api靠拢的抓手。

而且，这些年来社区对keras的灵活性和速度都有了很大的优化。

分享一些个人认为有帮助的keras写法，希望大家慢慢发现keras的简洁，以及其相比起pytorch来说更加完善的特点。

---

• 用generator做数据预处理

generator可以实现数据预处理的规整化并减少模型内存占用

def 

• callback函数，用list的方式逐个加进来

keras中，callback函数是一个list，因此你可以先新建一个list，然后把你想要的callback逐个放进去，使得代码规整

也可以用这个我准备好的常用callback函数：

def 

• GPU显存按需增长

这个我觉得属于tensorflow的设计缺陷，总之每段代码我都要用

import tensorflow as tf
import keras.backend.tensorflow_backend as KTF
config = tf.ConfigProto()
config.gpu_options.allow_growth = True  # 不全部占满显存, 按需分配
sess = tf.Session(confi