admin 管理员组

文章数量: 1184232

经过测试，通过sess.close释放资源并不能释放显存，导致重新建立一个session分配资源时失败。

上提到了两种方法：

1.利用numba库（需要安装numba库）

背后原理：
Tensorflow只是为GPU分配显存，而CUDA负责管理GPU内存。
如果在用sess.close()清除了所有图形后，CUDA以某种方式拒绝释放GPU显存，那么您可以使用cuda库直接控制CUDA以清除GPU显存。 

from numba import cuda
deftrain():...
train()
cuda.select_device(0)# 选择GPU设备
cuda.close()# 释放GPU资源

缺点：
以这种方式清除GPU显存会存在问题，再次开启session时会失败，原因貌似是cuda.close破坏了tensorflow开启session的环境。 

from numba import cuda
deftrain():...
train()
cuda.select_device(0)# 选择GPU设备
cuda.close()# 释放GPU资源
train()# 失败（抛出异常）

2.利用multiprocessing的Process

背后原理：
进程结束后会自动释放和进程相关的资源，这就好比模型训练完成退出程序后会自动释放显存。 

from multiprocessing import Process
deftrain():...if __name__'__main__':# 在windows必须在这句话下面开启多进程
    p = Process(target=train)
    p.start()
    p.join()# 进程结束后，GPU显存会自动释放
    p = Process(target=train)# 重新训练
    p.start()
    p.join()

优点：
相比第一种方法，可以在释放GPU显存后重新开启session。

参考资料：

本文标签： 利用 显存 资源

版权声明：本文标题：tensorflow释放显存 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.roclinux.cn/b/1773989918a3568047.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。