Windows下KMeans内存泄漏是Intel MKL线程池未正确释放所致，表现为循环调用时RSS持续上涨且gc无效；确认方式为np.__config__.show()含mkl_rt，解决方法包括禁用MKL多线程（OMP_NUM_THREADS=1）、换OpenBLAS或改用MiniBatchKMeans。
Windows上KMeans反复调用导致内存持续上涨
这不是代码写错了，是Intel MKL在Windows下线程池未正确释放导致的资源滞留。只要你在Windows上用sklearn.cluster.KMeans做循环训练（比如批量聚类、Jupyter里反复运行、Flask服务中高频调用），内存就会只增不减，哪怕显式del kmeans或调用gc.collect()也无效。
- 先确认是否中招：
import numpy as np; np.__config__.show()输出含mkl_rt或intel就是MKL后端 - 监控验证：用
psutil.Process().memory_info().rss在循环前后打点，能看到 RSS 持续爬升 - 不是Python对象泄漏，
objgraph.show_growth()几乎看不到异常类型增长
绕过MKL线程池：换OpenBLAS或禁用多线程
根本解法是让底层数学库不走MKL的并行路径。两种实操路径效果明确：
- 安装OpenBLAS版NumPy：卸载当前numpy，用
pip install numpy --no-binary=numpy强制编译，或直接装openblas-numpy包（需匹配Python版本） - 运行前禁用MKL多线程：
import os; os.environ['OMP_NUM_THREADS'] = '1'; os.environ['MKL_NUM_THREADS'] = '1'，必须在import numpy之前设 - 注意：设完环境变量后，要重启Python进程才生效，Jupyter需重启kernel
替代方案：用MiniBatchKMeans降低压力
MiniBatchKMeans 本身内存更友好，且对MKL依赖较轻——它按批次更新质心，不一次性加载全部数据参与距离计算，天然缓解线程池压力。
python全能编程助手
下载
SkillSub Pro - Python 题解与代码注释双功能技能功能概述SkillSub Pro - Python 题解与代码注释双功能技能是一项面向实际任务的技能，主要用于SkillSub Pro 是一个 Python 题解生成与代码注释的 双功能合体技能 ，专为学生、算法学习者和开发者设计；✅ 一个技能，两种用途 ：；核心要点📝 题解模式 ：输入题目/题号，自动生成完整 Python 题解（含详细注释、解题思路、复杂度分析）；💬 注释模式 ：输入 Python 代码，自动添加详细中。它将相关步骤、
- 把
KMeans(n_init=10)换成MiniBatchKMeans(n_init=3, batch_size=1000)，内存峰值通常下降40%以上 - 避免设
max_iter过大（默认100），建议压到20–50，配合reassignment_ratio=0.01防止无效迭代 - 训练完记得清空内部缓存：
mbk._centers = None; mbk._n_threads = None（私有属性，慎用但有效）
Linux上libgomp TLS内存分配失败
如果你在ARM或老版本glibc的Linux上看到 libgomp-*.so: cannot allocate memory in static TLS block，这不是scikit-learn的问题，而是OpenMP运行时与系统TLS机制冲突。
立即学习“Python免费学习笔记（深入）”；
- 临时修复：启动前加
LD_PRELOAD=/usr/lib/x86_64-linux-gnu/libgomp.so.1（路径按实际调整） - 长期解法：升级glibc到2.32+，或改用
threadpoolctl统一管控：from threadpoolctl import threadpool_limits; with threadpool_limits(limits=1, user_api='openmp'): - 别碰
export OMP_WAIT_POLICY=PASSIVE这类参数，它治标不治本，还可能拖慢速度
