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. 显式设定需要分配的显存比例
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.6
session = tf.Session(config=config, ...)
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. 按需求自适应增长
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
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
文章由极客之音整理，本文链接：https://www.bmabk.com/index.php/post/162903.html
