最近做的一项任务，需要同时运行多个二分类模型（如果这些二分类结果稳定了，即可转为一个多标签分类模型）。

问题描述

假定分类模型分别为A和B
示例代码如下：

# 将kerasutil_A 与kerasutil_B 作为全局变量，可以一次加载多次应用，从而提升性能kerasutil_A = KerasUtil(rawtextpath=r'A.csv',
                            lstmmodelpath=r'A.h5',
                            modeltype='bilstm')

kerasutil_B = KerasUtil(rawtextpath=r'B.csv',
                            lstmmodelpath=r'B.h5',
                            modeltype='bilstm')

具体的使用方式为：

resultlist = []if categoryid == 'A':
    resultlist = kerasutil_A.predictcategory(sentence)elif categoryid == 'B':
    resultlist = kerasutil_B.predictcategory(sentence)

但是在运行过程中，发现莫名奇妙的问题。
比如有两个与类别B相关的句子：
sentence_B_1, Positive
sentence_B_2, Negative

在多个model实例加载完毕后，
如果按照sentence_B_1, sentence_B_2的顺序去跑，会得到sentence_B_1：Positive, sentence_B_2依然是Positive的结果；
如果按照sentence_B_2, sentence_B_1的顺序去跑，会得到sentence_B_2：Negative, sentence_B_1依然是Negative的结果；

但是如果只在一个进程加载Model B，则无论sentence_B_1, sentence_B_2按照什么顺序去跑，结果都是正确的。

事实上，KerasUtil中没有任何静态或类级别的变量，都是实例级别的变量（每个实例中的属性都是使用独立的内存地址）：

class KerasUtil:
    def __init__(self, rawtextpath, lstmmodelpath, modeltype='lstm', multiplelabels=False):        self.max_fatures = 2000
        self.modelrawtextpath = rawtextpath        self.modelpath = lstmmodelpath        self.modeltype = modeltype        self.multiplelabels = multiplelabels        self.data = None        self.lstmmodel = None        self.tokenizer = None        self.initialtokenizer()

data，lstmmodel, tokenizer都是在实例化的时候，才去赋值，经过跟踪调试堆栈信息，也能够得出kerasutil_A与kerasutil_B中的属性都是独立，拥有各自特征的值。

这确实是太奇怪了！！

目前尚不能确定是否是底层的Tensorflow对同一个进程的多个模型的应用，导致出现类似问题。（模型内的张量出现混乱？）
不过事实证明，基于Tensorflow的Keras在多模型同时运行时，无论是单纯的执行predict方法（容易出现错误，需要clear session或者重新加载模型），还是执行某个模型的分类结果，都是诡异的。

解决方案

将模型的初始化与加载逻辑，放置在应用业务分类的函数内。
即每次函数执行完毕，模型对象都会被释放。

def confirmwithmachinelearning(categoryid, sentencelist):
    # 用多个model时，出于性能考虑，之前是作为全局变量加载的
    # 之后发现同时run多个文档的的时候，结果居然与单独去跑某个文档的结果不一致
    # 猜测是否是底层的tensorflow的张量信息缺失或互相窜了
    # 目前这种方式是在函数内加载对应模型，虽然慢了几秒，但结果是准确的
    kerasutil = None
    if categoryid == 'A':
        kerasutil = KerasUtil(rawtextpath=r'A.csv',
                              lstmmodelpath=r'A.h5',
                              modeltype='bilstm')    if categoryid == 'B':
        kerasutil = KerasUtil(rawtextpath=r'B.csv',
                              lstmmodelpath=r'B.h5',
                              modeltype='bilstm')    for sentence in sentencelist:
        resultlist = kerasutil.predictcategory(sentence)
    ...

经过验证，诡异的现象消失了，类别结果不会因为多模型加载而造成不同的结果。
附注：这种方式对于相对较小的模型，不会带来性能方面的明显损耗，但是对于较大的多个模型共用，建议API分离，才能通过全局变量一次加载多次应用的benefit

还有需要注意的地方:

就是模型加载的地方：
我们经常会这样写：

def initialforlstm(self):    if not os.path.exists(self.modelpath):        self.trainlstmmodel()        self.lstmmodel = load_model(self.modelpath)
    elif self.lstmmodel is None:
        try:
            keras.backend.clear_session()
        except Exception as e:
            logger.info(e)
        logger.info('Load model: {0}'.format(self.modelpath))        self.lstmmodel = load_model(self.modelpath)

在Windows下启动模型有关的API，非常顺畅。
但是发布到LINUX的Dev服务器，问题来了：
会出现这个问题，然后就崩了：
segmentation fault
经过搜索万能的谷歌，发现类似的问题，但没有解决方案：
Keras segmentation fault on load_model on Linux and not on Windows

不过因为有之前发布加载Keras模型API的经验，尝试将clear_session的顺序倒置一下（clear_session是必须要的，否则无法在Flask加载任何Keras的模型）

    def initialforlstm(self):        if not os.path.exists(self.modelpath):            self.trainlstmmodel()            self.lstmmodel = load_model(self.modelpath)
        elif self.lstmmodel is None:
            logger.info('Load model: {0}'.format(self.modelpath))            try:
                self.lstmmodel = load_model(self.modelpath)
            except Exception as e:
                logger.info(e)
                keras.backend.clear_session()                self.lstmmodel = load_model(self.modelpath)

作者：何高山
链接：https://www.jianshu.com/p/5f74eddaa81c