最近在项目中需要使用tensorflow来对图片进行离线预处理，但是使用sess.run时代码越来越慢，最后几分钟才能处理一张图片，这可怎么能行，我的数据集有数万张图片......
原始代码
def process(img, .. , .. ,):
.......
return img
def main():
.......
with tf.Session() as sess:
for i in range(len(dataset)):
img_op = process(...) #构图动作
img = sess.run(img_op)
.......
if __name__ == "__main__":
main()代码在执行的过程中越来越慢，并且占用的内存空间越来越大，这就说明代码本身是存在问题的。
我们知道，tensorflow在执行之前是要先构图，然后再向图中feed数据，正常来说，这两个过程应该是分开进行的，但是由于我们在编写代码时的不规范，就容易在feed数据的过程在向计算图中添加新的计算节点，你比如，我这里的img_op = process(.....)本身就是添加计算节点的动作，又叫做构图动作，这些动作是非常危险的，不仅会影响运行速度，还会扩大计算图的规模，占用过多的内存，有可能会导致程序崩溃。所以导致我代码运行缓慢的原因是找到了，那么该怎么解决呢？
有两种方案：1.将构图动作移动到循环外。2.再循环里不断变换当前的计算图。
我们来分析以下两种方法分别适合什么样的场景：
1.将构图动作移动到循环外。代码如下：
def process(, .. , .. ,):
img = tf.placeholder(tf.int64, shape=[,,,], name='input')
.......
return img
def main():
.......
img_op = process(...) #构图动作
with tf.Session() as sess:
for i in range(len(dataset)):
img_np = np.array(..)
img = sess.run(img_op, feed_dict = {input:0: img_np})
.......
if __name__ == "__main__":
main()使用标准的构图方式建立一个计算图，使用feed_dict喂入数据，那么聪明的你可能已经发现了一个问题，就是，如果我的图片size大小不一怎么办，没办法使用tf.placeholder来占位。没错，这种办法由于是静态计算图的原因，只适用于固定输入尺寸的处理任务，想要解决刚刚的问题只能使用第二种办法。
2.再循环里不断变换当前的计算图。代码如下：
def process(img, .. , .. ,):
.......
return img
def main():
.......
for i in range(len(dataset)):
tf.reset_default_graph() #########重置计算图
with tf.Session() as sess:
img_op = process(...) #构图动作，创建计算图
img = sess.run(img_op)
tf.get_default_graph().finalize() #关闭当前计算图
.......
if __name__ == "__main__":
main()这种办法，我们发现，我们每次送入图中的数据都可以是尺寸不一的，因为在处理每一个数据时都会创建新的计算图，并且在处理结束后关闭当前计算图。通过这样的方式，我们就实现了代码维护一个动态的计算图，就避免了一开始计算图越来越大所导致的种种问题。
两种办法所使用的场景不相同，重点是大家可以理解二者的区别究竟在哪里，并理解tensorflow的图计算机制，来选择适合自己工程的方式