我正在开发一个使用tensorflow的模型，它需要占用很多内存。该模型会被迭代执行以处理给定的任务。
然而，随着时间的增加，整个过程开始消耗越来越多的内存，尽管它应该清理内存。这听起来像是我在迭代中保留了某个图形数据，但我几乎确定这些图形是干净分离的。
问题
我将代码简化为以下内容：
import tensorflow as tf
import numpy as np
reps = 30
for i in range(reps):
with tf.Graph().as_default() as graph:
with tf.Session(graph=graph) as sess:
tf.constant(np.random.random((1000,1000,200,1)))
我有32GB的可用内存，在一台装有CPU Tensorflow 1.3 的ubuntu 17.04 上工作。大约在第25或27次迭代后，会出现以下错误消息：
terminate called after throwing an instance of 'std::bad_alloc' what(): std::bad_alloc
每次迭代后给进程一些时间也没有改善：
import tensorflow as tf
import numpy as np
import time
reps = 30
for i in range(reps):
with tf.Graph().as_default() as graph:
with tf.Session(graph=graph) as sess:
tf.constant(np.random.random((1000,1000,200,1)))
time.sleep(1)
但是，如果我在每次重复后强制进行垃圾回收调用，它就可以工作：
import tensorflow as tf
import numpy as np
import gc
reps = 30
for i in range(reps):
with tf.Graph().as_default() as graph:
with tf.Session(graph=graph) as sess:
tf.constant(np.random.random((1000,1000,200,1)))
gc.collect()
问题
现在我想知道为什么我需要强制进行垃圾回收，即使tensorflow应该已经关闭了会话并取消引用图形对象。
回到我的原始模型，我尚不确定gc调用是否真的有帮助。内存使用量增长得非常剧烈，特别是当我要将模型持久化到磁盘时。
对于如何迭代处理大型模型是否有最佳实践？这是实际的内存问题吗？
感谢任何见解。