Tensorflow训练模型默认占满所有GPU的解决方案（tensorflow怎么用gpu训练）怎么可以错过

文章摘要

在使用GPU服务器训练TensorFlow模型时，由于默认显存占用问题，模型难以完成训练。为了解决这一问题，可以按照以下方法进行调整： 1. **设置显存占用** 在代码开头加入以下内容： ```python import os os.environ["CUDA_VISIBLE_DEVICES"] = "0" # 或者其他GPU编号 ``` 该代码仅使用指定的GPU。 2. **调整显存分配比例** 使用`tf.GPUOptions`设置显存使用比例，例如： ```python gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.333) ``` 0.333表示每个GPU进程使用显存上限的1/3。 3. **动态分配内存** 使用`tf.config`设置动态显存分配： ```python config = tf.ConfigProto(gpu_options=gpu_options) config.gpu_options.allow_growth = True ``` `allow_growth=True`表示按需分配显存。这些方法可以帮助合理分配显存资源，避免显存占用问题，同时确保模型能够顺利训练。

目录Tensorflow训练模型默认占满所有GPU问题TensorFlow默认的是占用所有GPU解决tensorflow2.2把GPU显存占满解决代码总结

在使用gpu服务器训练tensorflow模型时，总是占满显存！

因此我们需要手动设置使用的GPU编号以及单个GPU显存占用比例

1.第一步需要在代码中开头加入

import os
os.environ[“CUDA_DEVICE_ORDER”]=”PCI_BUS_ID” # 按照PCI_BUS_ID顺序从0开始排列GPU设备
os.environ[“CUDA_VISIBLE_DEVICES”]=‘0′ ?# 使用0号gpu（想使用其他编号GPU，对应修改引号中的内容即可）
os.environ[“CUDA_VISIBLE_DEVICES”]=‘0,1′ # 使用0号GPU和1号GPU

2.第二步需要将代码中的sess=tf.Session()改为

gpu_options=tf.GPUOptions(per_process_gpu_memory_fraction=0.333) # 通过改变0.333可以改变占用显存比例
sess=tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))

per_process_gpu_memory_fraction=0.333代表的含义就是每个GPU进程中使用显存的上限为该GPU总量的1/3

3.如果想要在程序运行过程中连续查看GPU信息

可以在终端使用该指令（执行指令：watch -n 3 -d nvidia-smi # 每隔三秒输出一次）（前提是设备中有合适的NVIDIA驱动）

安装了tensorflow-gpu后，运行程序默认是把GPU的内存全部占满的，有时我们不想全部占满，可以这样操作。

import tensorflow as tf
import os
os.environ[‘CUDA_VISIBLE_DEVICES’]=”0″ # 指定哪块GPU训练
config=tf.compat.v1.ConfigProto()
# 设置最大占有GPU不超过显存的80%（可选）
# config.gpu_options.per_process_gpu_memory_fraction=0.8
config.gpu_options.allow_growth=True # 设置动态分配GPU内存
sess=tf.compat.v1.Session(config=config)

如图：