解决方案

• 方法1：修改数据加载到内存的代码
  不一次性将所有图片读入内存，而是读一张或者一个batch的数据集然后直接推理，这样对内存的占用始终只有一张或者一个batch的图片，可参照如下代码样例。

  

  图像分类的高阶特征使用时必须要将图片都一次性读入内存，仍然会在大量数据集上出现该问题，解决该问题可参考随机抽取部分数据集做模型评估。

  原始代码，将所有数据进行预处理后加载到内存中。

  for img_path in data_file_list:
      img = _preprocess(img_path)
      img_list.append(img)

  修改代码，将数据集读取一张或一个batch后再加载到内存中。

  for img_path in data_file_list:
      img = _preprocess(img_path)
      pred_output = sess.run([y], {x: img})
      pred_output = softmax(pred_output[0])
      pred_list.append(pred_output[0].tolist())

• 方法2：随机抽取部分数据集做模型评估

  随机抽取部分数据集做模型评估，在样本合适的情况下，对于数据量较大的样本，随机采样数据集在能有效地反应整体数据集的情况的同时，也能节省评估的时间。