在 tensorflow 中实现 q-learning 时，若在训练循环中反复构建或保存模型却未清理计算图状态，会导致内存泄漏和计算图持续膨胀，从而引发后续轮次训练显著变慢；调用 `tf.keras.backend.clear_session()` 可有效释放全局状态、恢复性能。
该问题并非源于算法逻辑或超参数设置，而是典型的 TensorFlow 运行时状态管理疏漏。TensorFlow 2.x 默认启用 Eager Execution，但其底层仍维护一个全局的 Keras 后端会话（session）和计算图缓存机制。每当调用 model.save()（尤其是 HDF5 格式 .h5），Keras 会将模型结构、权重及关联的计算图元信息注册到全局状态中；若未显式清理，这些历史模型对象将持续驻留内存，并导致新训练步骤的图构建、梯度追踪和自动微分开销逐轮递增——表现为每轮 episode 的 train() 耗时明显上升。
根本解决方法：在每次模型保存后立即调用 tf.keras.backend.clear_session()
Ai Coach Batch Session Summary
下载
批量分析录音转写，输出多维度拓客报告。触发词：录音分析、总结、音频总结、拜访记录总结。当用户提及「分析录音」「看看录音数据」「最近的录音」「通话记录」且意图为批量统计/分析时触发。仅出现「录音」或「拜访」时需结合上下文，若仅查看单条详情则不触发。
for episode in range(MAX_EPISODES):
obs = env.reset()
while True:
left_action = env.left_ball.q_agent.act(np.reshape(obs, [1, *env.state_size]))
next_obs, rewards, done, _ = env.step(left_action, right_action)
left_state = np.reshape(obs, [1, *env.state_size])
left_next_state = np.reshape(next_obs, [1, *env.state_size])
env.left_ball.q_agent.train(left_state, left_action, rewards[0], left_next_state, done)
obs = next_obs
if done:
# ✅ 关键修复：保存模型后立即清除后端会话
env.left_ball.q_agent.save_model("left_trained_agent.h5")
tf.keras.backend.clear_session() # ← 此行必不可少
break注意事项与最佳实践：
- clear_session() 会销毁当前所有模型、层、优化器等全局对象，因此不可在单次训练过程中频繁调用（例如每个 batch 后调用），仅适用于“阶段性保存 + 重置环境”的场景（如每 episode 结束）；
- 若需在训练中动态创建多个模型（如双网络 DQN 中的 target network 更新），建议统一管理模型生命周期，避免重复 save() + 忘记 clear_session()；
- 替代方案：改用 tf.keras.models.save_model(..., save_format='tf') 保存 SavedModel 格式，其对会话依赖更低，但仍建议配合 clear_session() 使用以确保稳定性；
- 验证效果：可在循环内添加计时日志（如 time.time()），观察 clear_session() 加入前后各 episode 的 train() 平均耗时是否回归稳定。
综上，tf.keras.backend.clear_session() 是 TensorFlow 动态建模场景下的“内存安全阀”。在强化学习这类多轮迭代、高频模型操作的任务中，养成“保存即清理”的习惯，是保障训练效率与系统稳定的关键一环。
