tensorflow:
1.定量設定視訊記憶體
gpu_options = tf.gpuoptions(per_process_gpu_memory_fraction=0.7)
sess = tf.session(config=tf.configproto(gpu_options=gpu_options))
這樣執行tensorflow程式時，每個使用的gpu中，占用的視訊記憶體都不超過總視訊記憶體的0.7.
比如我的gtx1080視訊記憶體是8g左右，然後占用的視訊記憶體應該是0.7*8=5.6g左右，得到的結果5.9g，差不多。
2.按需設定視訊記憶體
gpu_options = tf.gpuoptions(allow_growth=true)
sess = tf.session(config=tf.configproto(gpu_options=gpu_options))
這樣設定以後，程式就會按需占用gpu視訊記憶體,也就是不會吃掉全部的視訊記憶體，會自動選擇最合適的
keras:
1.定量設定視訊記憶體
from keras import backend as k
gpu_options = tf.gpuoptions(per_process_gpu_memory_fraction=0.7)
sess = tf.session(config=tf.configproto(gpu_options=gpu_options))
k.set_session(sess)
2.按需設定視訊記憶體
from keras import backend as k
gpu_options = tf.gpuoptions(allow_growth=true)
sess = tf.session(config=tf.configproto(gpu_options=gpu_options))
k.set_session(sess)
TensorFlow Keras 環境安裝
tensorflow keras深度學習人工智慧實踐 閱讀筆記 深度學習以大量矩陣模擬神經元的工作方式。矩陣運算特性 單一運算簡單，但是需要大量運算，適合平行計算。機器學習 1.訓練資料由features和label組成 2.機器學習兩個階段 訓練，3.分類 有監督的學習，無監督的學習，增強式學習。...
Tensorflow Keras 指定CPU執行
執行tensorflow 時候常出現oom out of memory 的錯誤，原因是batch size設定得太大導致視訊記憶體不足。如果想讓 僅僅執行在cpu下，可在原 中加入如下 import os os.environ cuda device order pci bus id os.envi...
Tensorflow keras 回歸模型
import matplotlib as mpl import matplotlib.pyplot as plt matplotlib inline import numpy as np import sklearn import pandas as pd import os import sys ...