這篇文章將為大家詳細講解有關Keras使用GPU資源耗盡如何解決，小編覺得挺實用的，因此分享給大家做個參考，希望大家閱讀完這篇文章后可以有所收獲。
我們在使用GPU資源進行訓練的時候，可能會發生資源耗盡的情況，那么在在這種情況，我們需要對GPU的資源進行合理的安排，具體使用辦法如下：
框架：Tensorflow和Keras
方法
import tensorflow as tf import keras.backend.tensorflow_backend as KTF config = tf.ConfigProto() config.gpu_options.allow_growth=True #不全部占滿顯存, 按需分配 sess = tf.Session(config=config) KTF.set_session(sess) # 設置session
通過這種方法，就能合理的使用GPU資源了。
至少到目前位置，我自己從程序沒出現資源耗盡的情況，當然，對于batchsize的設置，一定要設置在合理的范圍，所謂合理，大家自己體會。
補充知識：keras使用GPU的一些坑
keras安裝
conda install tensorflow-gpu
pip install keras
注意：不要使用conda安裝keras，會檢測依賴，默認安裝上tensorflow的CPU版本。
keras運行報錯，tensorflow/stream_executor/cuda/cuda_dnn.cc:329 Could not create cudnn handle: CUDNN_STATUS_INTERNAL_ERROR
解決方法：
增加如下代碼：
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.5) config = tf.ConfigProto(gpu_options=gpu_options) config.gpu_options.allow_growth = True session = tf.Session(config=config)
關于Keras使用GPU資源耗盡如何解決就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
