tensorflow资源驻留由图缓存爆炸、模型对象隐式持有和数据集迭代器未释放共同导致；需统一input_signature、避免全局模型引用、用try/finally释放迭代器。
不是真正的内存泄漏，而是计算图缓存、Python 引用滞留和设备内存池策略共同导致的资源驻留。
tf.function 动态输入触发图缓存爆炸
每次输入 shape 或 dtype 变化，TensorFlow 就会缓存一个新图。比如 batch size 从 1→2→3…连续变化，len(tf.get_default_graph().get_operations()) 会线性增长，显存持续上涨但 tf.keras.backend.clear_session() 无效。
- 强制统一签名：
@tf.function(input_signature=[tf.TensorSpec(shape=[None, 224, 224, 3], dtype=tf.float32)]) - 预处理动态输入：对文本做
padding、对图像做resize或clip_by_value - 禁用自动追踪：
@tf.function(autograph=False)（仅当无控制流时安全）
模型对象被长生命周期变量隐式持有tf.keras.models.load_model() 返回的对象内部绑定了 ConcreteFunction 和底层 Graph。一旦赋值给模块级变量、self.model 或闭包，整个图结构就无法被 GC 回收。
-
del model只删 Python 引用，C++ 层图仍在 - 不要将
model = load_model(...)放在文件顶层 - 长周期服务中改用函数封装，推理前加：
with tf.device("/CPU:0"): model = ...，再del model，最后tf.keras.backend.clear_session()
tf.data.Dataset 迭代器未耗尽残留资源
用 from_generator 或复杂 pipeline 构建数据集时，Iterator 对象持有图节点和 CUDA 缓冲区引用。HTTP 请求中断、异常退出或只取部分 batch，都会让底层资源卡住。
- 必须用
try/finally显式释放：it = iter(dataset); try: next(it) finally: del it - 替代方案：优先用
Dataset.from_tensor_slices().map(...)，避免from_generator - 验证线索：
tf.data.experimental.cardinality(dataset)返回-2（unknown）且显存不降
真正难处理的是叠加效应——比如全局 list 里 append 了中间 tf.Tensor，它既拖住计算图，又让 clear_session() 失效。这种混合问题不会在单次调用中暴露，只在高并发、长时间运行的服务里逐步显现。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
