python的decord库存在内存泄漏

问题

在训练模型时，使用pip安装的decord库读取视频和音频，但在运行过程中遇到cpu内存泄漏的问题，加载了大约60w个视频样本后就会占用接近300G的cpu内存

解决方案

step1：参考常规的内存泄漏的检查思路，排查代码中可能存在的问题
网上通常出现内存泄漏的解决方法有以下几种：

1. loss累积的时候没有使用item()，导致梯度没有正常释放。因此需要在loss积累的地方加上item()

#loss_all += loss
loss_all += loss.item()

2. list转换成tensor时，指定dtype（参考），以及尽量不适用list，而使用numpy.array（参考1）（参考2）

#a = torch.tensor(b)
a = torch.tensor(b, dtype=torch.float32)

3. 将num_workers设置为0（参考）
   这个解决方案最直接就是会导致读取速率明显变慢
4. 对可能被修改的变量进行复制时使用copy()（参考）

# data = self.data_list[index]
data = copy.deepcopy(self.data_list[index])

5. 使用del和gc.collect()显式清空内存

del data
gc.collect()

step2：以上方法都尝试过，但都没有改变我代码中内存泄漏的问题。因此想着使用memory_profiler工具定位代码中哪个地方导致内存增加（参考）

1. 首先将模型从流程中剔除，只保留加载数据的部分，看内存是否增长。结果发现内存还是正常增长，确认是数据加载的过程中出现问题。

@profile(precision=4,stream=open('memory_profiler.log','w+')<