在做ocr的时候，使用keras框架实现crnn，最后一步解码使用ctc_decode.

keras ctc decode

在测试的时候，随着batch的增加，越运行速度越慢，从开始的2-3s到后来的50+s，感觉非常奇怪，找了所有的原因，打印出每一步的时间，发现问题现在K.get_value()上。
搜索，发现也有人遇到相同的问题。
https://blog.csdn.net/mingshili/article/details/81941677?utm_source=blogxgwz5
是因为这两步每次运行都会给默认图增加一些节点，len( tf.get_default_graph().as_graph_def().node) 可以打印默认图节点数量来观察。
看来keras没有明显的定义图和会话这些东西，但是存在隐患。
没看懂上面博客介绍的解决方法，想到几个解决方法。

1.把增加的节点删除。

想直接改变tf.get_default_graph().as_graph_def().node， 失败。

2.为这个ctc解码过程单独创造一个图。

创造了之后和cnn网络的冲突。

3.tensorflow解决

要固定传入ctc decode的参数，使用placeholder，每次传入list，如果直接把list传入tf的函数，就会出现每次新增很多节点的问题。但是使用placeholder就得keras tensorflow混用，还好这两部分相对独立。ctc decode的输入输出都是list，中间过程使用tensor就行。
代码如下

class Ctc_Decode:
    # 用tf定义一个专门ctc解码的图和会话，就不会一直增加节点了，速度快了很多
    def __init__(self ,batch_size, timestep, nclass):
        self.batch_size = batch_size
        self.timestep = timestep
        self.nclass = nclass
        self.graph_ctc = tf.Graph()
        with self.graph_ctc.as_default():
            self.y_pred_tensor = tf.placeholder(shape=[self.batch_size, self.timestep, self.nclass], dtype=tf.float32, name="y_pred_tensor")
            self._y_pred_tensor = tf.transpose(self.y_pred_tensor, perm=[1, 0, 2])  #  要把timestep 放在第一维
            self.input_length_tensor = tf.placeholder(shape=[self.batch_size, 1], dtype=tf.int32, name="input_length_tensor")
            self._input_length_tensor = tf.squeeze(self.input_length_tensor, axis=1) #  传进来的是 [batch_size,1] 所以要去掉一维
            self.ctc_decode, _ = tf.nn.ctc_greedy_decoder(self._y_pred_tensor, self._input_length_tensor)
            self.decoded_sequences = tf.sparse_tensor_to_dense(self.ctc_decode[0])

            self.ctc_sess = tf.Session(graph=self.graph_ctc)

    def ctc_decode_tf(self, args):
        y_pred, input_length = args
        decoded_sequences = self.ctc_sess.run(self.decoded_sequences,
                                     feed_dict={self.y_pred_tensor: y_pred, self.input_length_tensor: input_length})
        return decoded_sequences

把图和会话都写进类里，这样调用就行了

ctc_class = Ctc_Decode(batch_size=batch_size,timestep=img_w//8, nclass=nclass)
predict_y = ctc_class.ctc_decode_tf([predict_y, batch_x['input_length']]) # ctc解码

参考：
https://www.zhihu.com/question/58577743/answer/280929057