滞后的系统还是TensorFlow中可能的错误？

Question

我目前正在研究RnD的TensorFlow (CPU版本)，但无法确定我的系统对大型数据集培训的基本需求，也可能是偶然在TensorFlow库中发现了一个可能的错误。

在官方TensorFlow文档中，没有任何地方表示系统需要在其上构建和运行TensorFlow程序。据我所知，如果可以在Windows、Linux、Mac以及Android、iOS以及RaspberryPi等嵌入式系统上运行，我想也不应该有任何这样的硬件要求。

然而，在最初的研究过程中，我尝试运行TensorFlow Seq2Seq模型(将英语翻译为法语https://www.tensorflow.org/tutorials/seq2seq)，其中培训和测试数据集最初占用大约7-8GB的磁盘空间，整个磁盘空间为20-22Gb。一旦执行了translate.py python脚本，它就会阻塞内存，并将磁盘利用率分别提高到98%和100%。

我目前的系统运行Windows8.1 64位操作系统，核心i5 5200 U时钟在2.2 GHz，8GB内存和约70 8GB的空间在硬盘上(专门分配给TensorFlow使用)。但是，即使允许我的系统运行超过7-8个小时(没有其他应用程序运行)，它也多次被卡住，而且通常是在内存利用率达到100%左右之后，在标记数据集之后。

虽然我不确定，但我认为TensorFlow学习图是在内存中创建的，一旦它扩展到所有内存空间，程序就会以无结束循环结束，等待内存被清除，然后增加学习图。

因此，整个演练归结为三个问题：

1. TensorFlow是否使用内存来创建和保存学习图？如果是这样的话，是否有可能以类似的方式窒息？
2. 从业务的角度来看，培训这样一个系统是否有最低的硬件要求？
3. 如果这不是系统需求，这是否可能是TensorFlow库中的一个错误，它将其推入一个无休止的循环，等待内存被清除？

更新

在连续运行python脚本30多个小时后，该过程似乎在“读取开发和培训数据”的同时在同一个位置停留了14个小时。如欲作进一步调查，请参阅下图：

​

​

Answer 1

当我即将关闭程序时，同样的程序再次开始响应，我又等了15-20分钟，最后从操作系统本身得到了答案。造成这一问题的确实是内存不足。附加屏幕抓取的Windows警报系统运行不足的内存，以供参考，以防任何人陷入同样的情况。

​

​

更新

我尝试在Google平台上使用VM实例。这台机器有2台Intel Xeon (R)，每台运行在2.23 GHZ，内存为13 GHZ，存储容量为50 GHZ。但是在这种情况下，结果也是一样的，即使应用程序使用了超过10.5GB的RAM。似乎本教程脚本需要一个非常密集的系统，可能是一台至少32 GB内存的超级计算机才能完全运行和执行。我现在可能会考虑编写/安排我自己的数据集。然而，这必须作为未来的增强，使用持久存储(HDD/SSD)来创建图形而不是RAM，以避免内存的阻塞。