TensorFlow 2.0之后动态分配显存方式
作者：scluis
这篇文章主要介绍了TensorFlow 2.0之后动态分配显存方式，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教
TensorFlow 2.0之后动态分配显存
import tensorflow as tf config = tf.compat.v1.ConfigProto() config.gpu_options.allow_growth = True sess = tf.compat.v1.Session(config = config) tf.compat.v1.keras.backend.set_session(sess)
keras和tensorflow动态分配显存
tensoflow或者基于tensorflow的keras，好像默认会直接将GPU中所有的显存都读过来，然后慢慢用。
这样如果是服务器是的话，别人就没法用了，这里转载了动态分配显存的方法：
tensorflow下，加入代码：
config = tf.ConfigProto() config.gpu_options.allow_growth = True #设置动态分配显存 session = tf.Session(config=config, ...)
或者：
config = tf.ConfigProto() config.gpu_options.per_process_gpu_memory_fraction = 0.3 #只一次调用30%的显存 session = tf.Session(config=config, ...)
对于keras，如果使用tensorflow作为后端，多加一句话就好了：
import os os.environ["CUDA_VISIBLE_DEVICES"] = "1" from keras.backend.tensorflow_backend import set_session config = tf.ConfigProto() config.gpu_options.per_process_gpu_memory_fraction = 0.3 set_session(tf.Session(config=config)) # 此处不同
总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。