Keras、Tensorflow将在模型构建时保留所有GPU内存
我的GPU是NVIDIA RTX 2080 TI
Keras 2.2。4.
Tensorflow gpu 1.12。0
CUDA 10.0
一旦我加载构建模型（编译前），我发现GPU内存被完全分配
[0]GeForce RTX 2080钛合金50℃下，15%钛合金10759/10989 MB钛合金issd/8067（10749米）
可能是什么原因，我如何调试它？
即使通过生成器加载，我也没有多余的内存来加载数据
我曾尝试监控GPU内存使用情况，发现它在构建层之后（编译模型之前）就已经满了
共有1个答案
当我加载预先训练过的ResNet50时，我遇到了类似的问题。GPU的内存使用量激增到11GB，而ResNet50通常只消耗不到150MB的内存。
在我的例子中的问题是，我也导入PyTorch没有实际使用它在我的代码。评论后，一切正常。但是我有另一台电脑，代码相同，工作正常。所以我卸载并用正确的版本重新安装Tensorflow和PyTorch。然后一切工作正常，即使我导入PyTorch。
-
我已经训练了3个模型，现在正在运行代码，按顺序加载3个检查点中的每一个，并使用它们运行预测。我在用GPU。 当加载第一个模型时，它会预先分配整个GPU内存（我希望用于处理第一批数据）。但它不会在完成时卸载内存。加载第二个模型时，使用第一个型号的GPU内存仍然被完全消耗，第二个型号的内存不足。 除了使用Python子进程或多重处理来解决这个问题（这是我通过谷歌搜索找到的唯一解决方案），还有其他方法可
-
问题内容： 我已经训练了3个模型，现在正在运行代码，依次加载3个检查点中的每一个并使用它们运行预测。我正在使用GPU。 加载第一个模型时，它会预先分配整个GPU内存（我希望通过它来处理第一批数据）。但是它不会在完成时卸载内存。当第二模型被加载，同时使用和GPU存储器仍从第一模型完全消耗，并且所述第二模型然后饥饿的存储器。 除了使用Python子进程或多进程来解决该问题（我通过Google搜索找到的
-
我已经在纸质空间云架构体系上创建了虚拟笔记本，后端有Tensorflow GPU P5000虚拟实例。当我开始训练我的网络时，它比我的MacBook Pro用纯CPU运行时引擎慢2倍。如何确保Keras NN在训练过程中使用GPU而不是CPU？ 请在下面找到我的代码：
-
在使用进行实验时，我在将转换为时遇到了一个问题。 这是我的设置： 如果有人能解释转换失败的原因，那就太好了。
-
我目前正在尝试将RNN模型转换为TF lite。在多次尝试失败后，我尝试运行此处存储库中给出的示例。由于层定义位置的变化，这也引发了错误。一旦修复了下面的代码 我继续出错 在使用tf.compat.v1.disable\u eager\u execution（）禁用渴望执行后，我得到了错误 有人有在TensorFlow 2.0中将RNN（LSTM、GRU、CustomRNN）转换为TFLite的工
-
当我执行这个程序时，一切都很好：