这篇文章给大家分享的是有关如何解决Tensorflow占用GPU显存的问题的内容。小编觉得挺实用的，因此分享给大家做个参考，一起跟随小编过来看看吧。
我使用Pytorch进行模型训练时发现真正模型本身对于显存的占用并不明显，但是对应的转换为tensorflow后（权重也进行了转换），发现Python-tensorflow在使用时默认吃掉所有显存，并且不手动终结程序的话显存并不释放（我有两个序贯的模型，前面一个跑完后并不释放占用显存）（https://github.com/tensorflow/tensorflow/issues/1727），这一点对于后续的工作有很大的影响。
后面发现python-tensorflow限制显存有两种方法：
1. 设置显卡的使用率
这种方法在学习和工作中比较好用，学习时可提高显卡使用效率，工作时可方便的获得GPU显存消耗极限，用以提供显卡购买时的参数，现将代码展示如下：
这里的0.1 表示使用显存总量的的10%
2. 设置显卡按需使用（这个本人并没有专门测试，只是从tensorflow论坛上获得）
gpu_options = tf.GPUOptions(allow_growth=True) sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))
感谢各位的阅读！关于“如何解决Tensorflow占用GPU显存的问题”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，让大家可以学到更多知识，如果觉得文章不错，可以把它分享出去让更多的人看到吧！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
