最近用户反馈一个 Estimator 的问题，OOM (out of memory)。由于完全使用的是 Estimator 的逻辑，出错问题 排查了很久。最终使用多个工具找到问题的根源。ps_util 打印内存，objgraph 寻找内存泄露。

我们基于 Estimator 的框架已经稳定运行很久，一直没有异常情况。但是由于内部集群迁移，运行训练任务执行机器从 60GB 规格降低到 15 GB 左右。训练任务运行一段时间后，就会报内存超限被杀。观察内存监控图大致如下：

从图中可以发现，内存基本是阶梯式增长（备注：图中的毛刺是因为制造压缩包导致的）。将内存增长点和日志对应，发现两个可疑点：

• 数据 Queue 的 checkpoint
  • 类似于 Flink 的 barrier 机制，根据 barrier 会将数据 Queue 中的内存序列化保存，会将序列化的对象保存为内部成员变量。
• 模型导出
  • 在线学习系统，每隔一段时间都会触发模型验证，如果验证结果符合预期，会推送给 Serving 端上线。由于模型导出逻辑是 Tensorflow Estimator 的 export_savedmodel 接口，出于对 Tensorflow 的信任，前期主要排查数据 Queue 序列化问题。

序列化问题

怀疑训练任务消费数据速度过慢，导致数据挤压，Queue 中缓存数据不断增加。在序列化又保存为成员变量时内存超限。通过对比内存平稳期间和内存上涨期间的数据 Queue 的大小，基本稳定。而且 Queue 在存储数据时也有限制：

• 总的数据个数有上限
• Queue 的总内存大小有上限

所以 Queue 中的数据占用应该不会是导致 OOM(Out of memory) 的根因。

排除数据缓存导致的 OOM，接下来只剩导出模型的问题。

最小复现样例

test.py

• MyEstimator 定义
• train_input_fn
  • 制造输入数据
• serving_input_fn
  • 导出是创建相应的 placeholder
• memory_usage
  • 统计内存使用量
• target
  • 封装了函数，便于测试多线程和多进程

python main.py --action train  # 训练模型，产出 checkpoint
python main.py --action eval   # Restore checkpoint，然后 evaluate
python main.py --action export # 纯粹只导出模型

因为线上是发现导出模型异常，所以单独测试导出模型时的内存变化，发现内存是慢慢上涨，然后到达一个平衡点。似乎线下并没有发现特别异常。但是在线上的确是出现了异常。但是内存仍然是上涨的，推测 Tensorflow 有内存没有被回收。但是现在 Tensorflow 比较复杂，难以快速定位到底是那部分内存没有被回收。

确认内存有上涨，但是找不到原因。为了先解燃眉之急，尝试多线程和多进程的方法。

但是在使用多进程时，又遇到另外一个跨进程初始化问题。然后又怀疑是 FileSystem 实现问题。所以局面是：

• 知道内存泄露，但是不知道哪里泄露，通过 objgraph 看头部增长，看不出具体增长类型
• 多进程可以规避，但是多进程在使用上有另外的问题，此外使用多进程给系统稳定性也带来了一定的影响

objgraph 再战

决定使用 Objgraph 再系统性分析下到底哪里出问题。线上使用 Estimator 的方式其实是经典的方式。启动一个 evaluator，当它发现新的 checkpoint 时，会自动 Restore 模型进行打分。如果打分结果符合预期，会调用 estimator.export_saved_model 来导出模型。导出模型时会再次发生 Restore。所以这种情况下会发生两次 Restore，通过在相应位置加入内存统计结果，发现每次 Restore 都会出现内存增长。奇怪的是，线下尝试复现时，复现不了线上类似的结果。基本都是内存开始上涨，然后一段时间后平稳。

测试模型和线上模型现在区别包括两个：

• 线下的模型并没有使用 keras
• 线下的模型并没有使用内部开发的 Embedding Variable 来存储 Embedding

将 MyEstimator 中 x 和 pred 代码做点变动，这样将 keras 引入，暂时不引入内部的 Embedding Variable。

from tensorflow.python import keras

x = tf.reshape(x, (-1, 1))
pred = tf.keras.layers.Dense(1, activation="relu")(x)

增加后，发现内存上涨明显。由于是两次 Restore，先将第二次导出模型关闭。不停地去 Restore 模型打分。内存上涨。但是仍然不清楚问题在什么地方。几个主要文件的代码都仔细阅读：

使用 Graph 都用了 with ops.Graph().as_default() , 使用 session 的地方也都使用了相应的 with 语句。正常情况走出作用域，应该随着 python gc 生效都会被清理。

百思不得其解

另外一些业务方并没有遇到这些问题。唯一的区别是他们不会每次都去重建 Session，而是复用现有的 Session 去导出。 于是抱着试一试的心态，通过 objgraph.count("Graph") 看了下 Tensorflow Graph 是否还存在。结果重大发现：个数一直在增长。说明有谁在持有这个引用。利用 objgraph.find_backref_chain 查找到底谁在引用它。 Bingo！是 keras 在引用。在 Github 上发现了 Keras Memory Issue。这里面建议调用相关 clear_session 和 reset_uids 来清理。

Graph 本身也是循环引用，只能依赖 Python 的 gc 清理它。

reset default graph

直接调用 clear_session 或者 reset_uids 代码还不能工作

• reset_default_graph 不能在嵌套的 Graph 中调用
• 在 clear_session 函数中，还会去创建新的 Graph

最后代码就是直接调用 keras backend 中相关全局变量的清理。这里用户有混合使用 tensorflow.python.keras 和 keras，导致要清理两个模块中的全局变量：

• tensorflow.python.keras.backend 
• keras.backend.tensorflow_backend 

import contextlib
import logging

logger = logging.getLogger(__name__)


def clear_keras_related_vars(no_reset=False):

    reset_default_graph = ops.reset_default_graph

    def dummy_reset_graph():
        logger.info("Dummy cleaning")

    @contextlib.contextmanager
    def wrap_tf_reset_graph(no_reset):
        try:
            if not no_reset:
                ops.reset_default_graph()
        except AssertionError:
            no_reset = True
            logger.info("Not a default graph, skip reset default_graph")
        if no_reset:
            ops.reset_default_graph = dummy_reset_graph
            tf.reset_default_graph = ops.reset_default_graph
        yield
        ops.reset_default_graph = reset_default_graph
        tf.reset_default_graph = reset_default_graph

    with wrap_tf_reset_graph(no_reset):
        if reset_session:
            logger.info("Calling tfplus reset_session")
            reset_session()
        if backend:
            logger.info("Clean native keras.backend.tensorflow_backend")
            logger.info(
                "Before cleaning _GRAPH_UID_DICTS: %s， _GRAPH_LEARNING_PHASES%s",
                len(backend._GRAPH_UID_DICTS),
                len(backend._GRAPH_LEARNING_PHASES),
            )
            backend._GRAPH_LEARNING_PHASES = {}
            backend._SESSION = None
            backend.reset_uids()
            logger.info(
                "After cleaning _GRAPH_UID_DICTS: %s， _GRAPH_LEARNING_PHASES%s",
                len(backend._GRAPH_UID_DICTS),
                len(backend._GRAPH_LEARNING_PHASES),
            )
        logger.info("Clean tensorlfow.python.keras.backend")
        keras.backend.reset_uids()
        tf.reset_default_graph()
        keras.backend._GRAPH_LEARNING_PHASES.clear()
        keras.backend._GRAPH_VARIABLES.clear()
        keras.backend._GRAPH_TF_OPTIMIZERS.clear()
        keras.backend.PER_GRAPH_LAYER_NAME_UIDS.clear()
        keras.backend._SESSION.session = None

lessons learned

• objgraph.show_most_common_types 和 show_growth 有时候会由于泄露的变量增长不是最多，导致被隐藏
  • 最好先通过上述函数去直观观察，然后根据经验去判断最有可能泄露的类，主动去统计这些类的个数，观察变化
• reset_default_graph 也不能随便调用，因为可能把 graph 置空，导致已有的一些执行逻辑异常。例如找不到 global_step

• Tensorflow Graph 和 Session 一般是构建一次，然后重复使用，不断迭代数据。如果需要重复构建 Session 和 Graph 时，需要注意 Graph 是否需要 reset，以及相关引用 Graph 的变量。