在跑程序時(shí)經(jīng)常出現(xiàn)一下這個(gè)提示：

Allocator (GPU_0_bfc) ran out of memory trying to allocate 2.26GiB with freed_by_count=0. The caller indicates that this is not a failure, but may mean that there could be performance gains if more memory were available.

首先看一下ubutun服務(wù)器的一些基本配置，點(diǎn)擊【系統(tǒng)設(shè)置】按鈕，點(diǎn)開【詳細(xì)信息】，出現(xiàn)以下界面：

問題來了，總的內(nèi)存是30.9GiB，遠(yuǎn)高于2.26GiB，（1MB=1024KB，1GB=1024MB，據(jù)Wikipedia的注譯，GB（gigabyte）是十進(jìn)制的容量單位，1GB等于1,000,000,000Bytes。而二進(jìn)制的容量單位則是用GiB（Gibibyte）就是Giga Binary Byte，相等于1,073,741,824Bytes。所以一個(gè)160GB的硬盤其實(shí)只有149.0116119GiB）為什么還會報(bào)錯(cuò)誤呢？因?yàn)槌霈F(xiàn)這個(gè)問題得 時(shí)候，一般都是在用GPU跑大型得深度學(xué)習(xí)的程序，才會導(dǎo)致所需要的GPU內(nèi)存不足，那這又是怎么回事呢？首先查看一下電腦顯存，在終端輸入nvidia-smi，看到如下界面：

看到一塊GPU的顯存是10989MiB(約為10.7GiB)，問題又來了，顯存也比需要的2.26GiB大呀，怎么會提示這樣的錯(cuò)誤呢？網(wǎng)上查查主要有如下解決方法：

解決方法：1.減少batchsize,即減少了GPU內(nèi)存分配需求

2.如果內(nèi)存比較大的話，可以切換CPU

3.重置輸入圖片尺寸，即通過減小圖片的大小來減少對顯存的消耗

選擇上述中的任意一種方法，問題都可以解決，但是還是想知道一下原理才踏實(shí)..那么先查查當(dāng)程序（基于深度學(xué)習(xí)的為例）運(yùn)行時(shí)候，tensorflow中顯存的分配方法:

https://blog.csdn.net/frankzd/article/details/102621817? （參考該博客，可以簡單分析自己代碼的內(nèi)存占用量）因?yàn)楸救说某绦蚩蚣苁荊AN網(wǎng)絡(luò)，之前用CNN框架同樣的配置和訓(xùn)練方式就不會由上述GPU內(nèi)存相關(guān)的提示，所以是因?yàn)镚AN網(wǎng)絡(luò)有位還有判別器的處理（這一塊又增加了網(wǎng)絡(luò)的權(quán)重），所以才會導(dǎo)致占的顯存比CNN大？如果有了解的朋友在評論區(qū)賜教~

一些相關(guān)的邊角料，一般在程序里會有如下代碼：

其中當(dāng)allow_soft_placement參數(shù)設(shè)置為True時(shí)，如果運(yùn)算無法由GPU執(zhí)行，那么TensorFlow會自動將它放到CPU上執(zhí)行。另外可以在session這一塊進(jìn)行顯存分配。如下：

?

總結(jié)

以上是生活随笔為你收集整理的tensorflow出现显存不足的提示的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。