TensorFlow 2.x 内存“暴涨”源于默认策略变更：GPU显存预分配、CPU多线程并行、eager模式图缓存隐蔽；需在import后立即调用tf.config.experimental.set_memory_growth(True)并逐卡设置，配合tf.io读图、固定@tf.function签名、避免全局模型变量及慎用.cache()与from_generator。
不是“更消耗内存”，而是内存管理逻辑变了——TensorFlow 2.x 默认预分配全部 GPU 显存、默认启用多线程 CPU 并行、默认 eager 执行下图缓存更隐蔽，三者叠加让内存占用看起来“暴涨”，但本质是策略切换，不是泄漏。
tf.config.experimental.set_memory_growth(True) 必须在 import 后第一行调用
TensorFlow 2.x 启动时会立即锁定所有可见 GPU 的全部显存（哪怕你只执行 tf.constant(1)）。这个行为无法靠 del model 或 gc.collect() 拉回来，必须在任何 TF 操作前干预。
- 正确顺序：
import tensorflow as tf→ 列出 GPU → 对每个设备调用tf.config.experimental.set_memory_growth(gpu, True) - 常见错误：把它放在
tf.keras.models.load_model()之后，此时设备已初始化，设置完全失效 - 多卡环境必须逐个设置，
gpus[0]只控制第一张卡，其余仍预分配 - 如果用了
os.environ['CUDA_VISIBLE_DEVICES']，它得在这之前设置，否则list_physical_devices('GPU')可能返回空
tf.data.Dataset.map() 里混用 cv2/PIL 就等于放弃流式加载
很多人以为“用了 tf.data 就自动流式”，其实不然。只要在 .map() 函数里调了 cv2.imread 或 PIL.Image.open，图像就全量加载进 Python 内存，再转成 tf.Tensor 也晚了。
A Python CLI skill for Cutout.Pro visual APIs — background removal, face cutout, and photo enhancement. Supports file upload & image URL input.
下载
调用 Cutout.Pro 视觉处理 API 进行背景移除、人像抠图和照片增强，支持文件上传与图片 URL 输入。
- 错误写法：
dataset.map(lambda x: cv2.resize(cv2.imread(x), (224, 224)))→ 所有图同时驻留内存 - 正确写法：用
tf.io.read_file+tf.image.decode_jpeg+tf.image.resize，全程在 TF 图内执行 -
tf.data.Dataset.from_generator是高危操作：generator 本身在 Python 层维持引用，迭代器中断（如 HTTP 超时）会导致底层 CUDA 缓冲区卡住 -
.cache()不加filename参数 = 显存钉子户：它把上游输出全塞进显存，跨 epoch 不释放
@tf.function input_signature 不固定就会缓存无数计算图
TF 2.x 的 @tf.function 为每个 unique input_signature（shape + dtype 组合）缓存一份完整图。如果 batch size 动态变化、文本长度不一、图像尺寸未对齐，每轮推理都生成新图，旧图不释放。
立即学习“Python免费学习笔记（深入）”；
- 现象：
nvidia-smi显存持续上涨，len(tf.get_default_graph().get_operations())线性增长 - 解决办法：强制统一签名，例如
@tf.function(input_signature=[tf.TensorSpec(shape=[None, 224, 224, 3], dtype=tf.float32)]) - 避免全局模型变量：把
model = tf.keras.models.load_model(...)放在函数内，而非模块顶层；否则模型对象隐式持有 Graph 引用，clear_session()也清不掉 -
tf.keras.backend.clear_session()是唯一能重置 GPU 上下文的操作，但它救不了.cache()和未耗尽的Iterator
真正难处理的是分层资源滞留：GPU 显存被 set_memory_growth 预占、CPU 内存被 cv2 循环撑爆、计算图被 @tf.function 动态签名缓存、数据集迭代器因异常中断而残留设备引用——它们各自独立生效，又互相叠加，单点优化往往无效。
