转:https://www.cnblogs.com/jiu0821/p/9501665.html
参考:https://blog.csdn.net/m0_37041325/article/details/77488981
tensorflow在训练时默认占用所有GPU的显存。
可以通过以下方式解决该问题:
1、在构造tf.Session()时候通过传递tf.GPUOptions作为可选配置参数的一部分来显式地指定需要分配的显存比例,如下所示:
# 假如有12GB的显存并使用其中的4GB:
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.333)
sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))
per_process_gpu_memory_fraction指定了每个GPU进程中使用显存的上限,但它只能均匀作用于所有GPU,无法对不同GPU设置不同的上限
2、尝试如下设置:
config = tf.ConfigProto()
config.gpu_options.allow_growth=True
sess = tf.Session(config=config)
当allow_growth设置为True时,分配器将不会指定所有的GPU内存,而是根据需求增长
3、指定GPU编号:
import os
os.environ["CUDA_VISIBLE_DEVICES"] = "0"
或者在脚本或者命令行中指定
export CUDA_VISIBLE_DEVICES=0