大家好，又见面了，我是你们的朋友全栈君。
今天刚把服务器搭建起来 结果程序就跑不起来 当时差点把自己吓尿了
错误类型：CUDA_ERROE_OUT_OF_MEMORY
E tensorflow/stream_executor/cuda/cuda_driver.cc:924] failed to alloc 17179869184 bytes on host: CUDA_ERROR_OUT_OF_MEMORY
W ./tensorflow/core/common_runtime/gpu/pool_allocator.h:195] could not allocate pinned host memory of size: 17179869184
Killed
其实很容易理解 大致意思就是 服务器的GPU大小为M
tensorflow只能申请N（N<M）
也就是tensorflow告诉你 不能申请到GPU的全部资源 然后就不干了
解决方法：
找到代码中Session
在session定义前 增加
config = tf.ConfigProto(allow_soft_placement=True)
#最多占gpu资源的70%
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.7)
#开始不会给tensorflow全部gpu资源 而是按需增加
config.gpu_options.allow_growth = True
sess = tf.Session(config=config)
这样就没问题了
其实tensorflow 算是一个比较贪心的工具了
就算用device_id指定gpu 也会占用别的GPU的显存资源 必须在执行程序前
执行
export CUDA_VISIBLE_DEVICES=n python main.py（n为可见的服务器编号）
再去执行python 代码.py 才不会占用别的GPU资源
最近刚开始搞tensorflow 之前都是caffe
这周连续3天被实验室的人 举报 占用过多服务器资源 真是心累 只要用上面的方法
也就是执行代码前 执行 export CUDA_VISIBLE_DEVICES=n
只让1个或者个别GPU可见 其他GPU看不见 就行了
举例而言，例如 服务器上的GPU有8块，3个人共用这个服务器，你在运行代码前，首先要输入命令
nvidia-smi用上面的命令看下哪些GPU没有被使用，例如3号和5号没有被使用，则你可以用如下命令运行你的程序
export CUDA_VISIBLE_DEVICES=3,5 python main.py
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/127615.html原文链接：https://javaforall.net
