在跑程序時經常出現一下這個提示：

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服務器的一些基本配置，點擊【系統設置】按鈕，點開【詳細信息】，出現以下界面：

問題來了，總的內存是30.9GiB，遠高于2.26GiB，（1MB=1024KB，1GB=1024MB，據Wikipedia的注譯，GB（gigabyte）是十進制的容量單位，1GB等于1,000,000,000Bytes。而二進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160GB的硬盤其實只有149.0116119GiB）為什么還會報錯誤呢？因為出現這個問題得 時候，一般都是在用GPU跑大型得深度學習的程序，才會導致所需要的GPU內存不足，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誤呢？網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內存分配需求

2.如果內存比較大的話，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..那么先查查當程序（基于深度學習的為例）運行時候，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存占用量）因為本人的程序框架是GAN網絡，之前用CNN框架同樣的配置和訓練方式就不會由上述GPU內存相關的提示，所以是因為GAN網絡有位還有判別器的處理（這一塊又增加了網絡的權重），所以才會導致占的顯存比CNN大？如果有了解的朋友在評論區賜教~

一些相關的邊角料，一般在程序里會有如下代碼：

其中當allow_soft_placement參數設置為True時，如果運算無法由GPU執行，那么TensorFlow會自動將它放到CPU上執行。另外可以在session這一塊進行顯存分配。如下：

?

總結

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站內容還不錯，歡迎將生活随笔推薦給好友。