tensorflow执行到session.run的时候发现内存泄漏原因排查

场景：加载训练好的模型进行推理
代码大体实现流程：输入—》模型—》结果
模型为一个单独的类，其中在调用模型的时候需要import 类，然后加载模型在类中init （）函数。也就是说当运行代码的时候先加载模型，然后模型等待别的函数调用进行推理。
实际上是每次都需要调用session.run()函数。在这个过程中发现在循环调用session.run()出现了内存泄漏的问题。
首先session 是self.session=tf.Session(),曾改成：

with tf.Session as sess:
       self.session = sess
       ...
       result = self.session.run(**)

发现并没有作用。
然后各种考虑到每次调用是否都创建了graph,所以加入

with tf.Graph().as_default():
      result = self.sess.run(**)

没有效果
加入

tf.reset_default_graph()

然后没有效果。内存照样增长，按理说run的时候应该是根据输入在已经构建好的模型图上进行运算，模型加载完成应该已经构建好了，那么内存的增长有可能是在每次调用的时候都创建新的op,导致越来越多，可tf这个框架应该有回收变量的机制吧，通过查找也没发现有python 那样的gc.collect()。百思不得其姐，因为使用的cpu版本的，那出现问题会不会是tensorflow 这个框架本身对于cpu的利用默认是没有限制，或者限制在一个比较大的范围，在占用没有到达封顶的时候会一直开辟新的内存。最好查找到一篇帖子发现在创建session的时候可以指定线程数量，通过限定线程的数量发现问题确实得到解决：

代码如下：
This will create a session that runs one op at a time, and only one thread per op
sess = tf.Session(config=
    tf.ConfigProto(inter_op_parallelism_threads=1,
                   intra_op_parallelism_threads=1))

int32 intra_op_parallelism_threads：线程池中线程的数量，一些独立的操作可以在这指定的数量的线程中进行并行，如果设置为0代表让系统设置合适的数值。

int32 inter_op_parallelism_threads：每个进程可用的为进行阻塞操作节点准备的线程池中线程的数量，设置为0代表让系统选择合适的数值。需要注意的是，第一个创建的会话会为将来创建的所有会话设置这个线程的数值，除非use_per_session_threads被设置为True，或者是session_inter_op_thread_pool被配置。

参考文献：
[1] https://stackoverflow.com/questions/38615121/limit-tensorflow-cpu-and-memory-usage
[2]https://www.jianshu.com/p/b9a442bcfd2e