tensorflow报错 或者 keras报错，以及tf.keras报错：Hint: If you want to see a list of allocated tensors when OOM happens, add report_tensor_allocations_upon_oom to RunOptions for current allocation info.
文章目录 问题描述原因解决（1）在tensorflow中（2）在keras中（3）在tf.keras中 问题描述今天进行5折交叉验证 以及 格点搜索时遇到的问题，以前数据量过大、或者bitch_size过大时也会发生，具体如图所示： 在linux中使用命令：watch -n 0.1 nvidia-smi 查看GPU使用情况
原因由于显存不足造成的，但是并非真正的显存不足，而是由于tensorflow把显存吃完了，但是并没有实际的有效利用。因此可以分配需要的显存给tensorflow。（keras基于tensorflow的，同样适用）
解决1、设置小的bitch_size， 虽然可以用，但是指标不治本。 2、手动设置GPU,在train.py中：
（1）在tensorflow中 import tensorflow as tf import os os.environ["CUDA_VISIBLE_DEVICES"] = "0" 指定使用哪个GPU config = tf.ConfigProto() config.gpu_options.allow_growth = True # 按需分配显存 config.gpu_options.per_process_gpu_memory_fraction = 0.4 # 最大使用显存40% session = tf.Session(config=config)) # 创建tensorflow会话 ... （2）在keras中 import tensorflow as tf from keras.models import Sequential import os from keras.backend.tensorflow_backend import set_session ## 和tf.keras不同 os.environ["CUDA_VISIBLE_DEVICES"] = "0" config = tf.ConfigProto() config.gpu_options.allow_growth = True # 按需分配显存 set_session(tf.Session(config=config)) # 把设置传给keras model = Sequential() ... （3）在tf.keras中 import tensorflow as tf from tensorflow.keras.models import Sequential import os from tensorflow_core.python.keras.backend import set_session # 和keras不同 os.environ["CUDA_VISIBLE_DEVICES"] = "0" config = tf.ConfigProto() config.gpu_options.allow_growth = True # 按需分配显存 config.gpu_options.per_process_gpu_memory_fraction = 0.4 # 最大使用显存40% set_session(tf.Session(config=config)) # 把设置传给 tf.keras model = Sequential() ...补充： tf.keras可以使用数据读取多线程加速：
model.fit(x_train，y_train，use_multiprocessing=True, workers=4) # 开启多线程，使用4个CPU清空会话:
from tensorflow import keras keras.backend.clear_session()清空后可以继续创建新的会话
 1.本站遵循行业规范，任何转载的稿件都会明确标注作者和来源；2.本站的原创文章，会注明原创字样,如未注明都非原创，如有侵权请联系删除！；3.作者投稿可能会经我们编辑修改或补充；4.本站不提供任何储存功能只提供收集或者投稿人的网盘链接。 |
