TensorFlow:在contrib.learn中不允许使用GPU内存增长选项。估计器
TensorFlow是一个开源的机器学习框架，由Google开发和维护。它提供了丰富的工具和库，用于构建和训练各种机器学习模型。
在TensorFlow中，contrib.learn是一个旧版的API，用于构建和训练机器学习模型。然而，从TensorFlow 1.14版本开始，官方不再推荐使用contrib.learn，而是推荐使用更现代化的tf.keras和tf.estimator API。
在contrib.learn中，GPU内存增长选项是一种用于动态分配GPU内存的功能。它允许TensorFlow在需要时按需增加GPU内存的大小，以适应模型和数据的需求。然而，由于一些技术限制和性能问题，这个选项在contrib.learn中被禁用。
估计器（Estimator）是TensorFlow中的一个重要概念，它提供了一种高级的API，用于简化模型的构建、训练和评估过程。估计器封装了模型的定义、损失函数、优化器和评估指标等，使得模型的开发和使用更加方便。
推荐的腾讯云相关产品和产品介绍链接地址：
- 腾讯云AI Lab：https://cloud.tencent.com/developer/labs
- 腾讯云机器学习平台：https://cloud.tencent.com/product/tensorflow
请注意，以上答案仅供参考，具体的推荐产品和链接地址可能会根据实际情况有所调整。
相关·内容
当使用contrib.learn创建估计器时，我唯一能找到的GPU选项是"gpu_memory_fraction“，它可以在"tf.contrib.learn.RunConfig”中找到。classifier = learn.Estimator( config=learn.RunConfig(
gpu_memory_fracti
浏览 12提问于2017-03-12得票数 2
我在GPU上使用带有Keras和tensorflow 2.0的R。在将第二个监视器连接到我的GPU之后，我在深入学习脚本期间收到此错误：我的结论是GPU内存不足，解决方案似乎是这样的代码：from keras.backend.tensorflow_backendimport set_session
config = tf
浏览 6提问于2019-11-21得票数 2
回答已采纳
在CUDA 1.x中，有一个像use_unified_memory和per_process_gpu_memory_fraction这样的选项，可能会触发所使用的CUDA UVM。但是在tensorflow 2.0中如何做到这一点呢？
// per_process_gpu
浏览 0提问于2019-09-20得票数 9
下面的作品： docker run --gpus all -it --rm tensorflow/tensorflow:latest-gpu-py3 \> 2.1.0 但这一条报告了OOM： docker run --gpus all -it --rm tensorflow/tensorflow:latest-gpu-py3/co
浏览 84提问于2020-03-24得票数 1
我将用1080ti(11 GPU )GPU来训练一个使用seq2seq包的模型。使用不同网络的大小(甚至)总是会出现以下错误：
I tensorflow/core/common_runtime/gpu/gpu_device.cc:885] Found device 0 with properties/core/common_runtime/gpu/gpu_
浏览 3提问于2017-04-18得票数 0
回答已采纳
1回答
我有一个Keras模型(.hdf5)，我想部署在云中进行预测。现在我想估算一下我需要多少资源(CPU、GPU、RAM等)。 有没有人有关于函数/经验法则的建议，可以对此有所帮助？
浏览 17提问于2019-01-20得票数 2
回答已采纳
我正在测试协作室的GPU支持。GPU的RAM有限。device_type: "CPU" incarnation: 14648174833476954761, device_type: "GPU" locality { bus_id: 1 }
incarnation: 11566
浏览 1提问于2018-02-20得票数 3
回答已采纳
我在Windows 10上的GTX 1070上运行keras神经网络训练和预测。大多数情况下，它是有效的，但偶尔也会出现问题E c:\tf_jenkins\home\workspace\release-win\device\gpureporte
浏览 2提问于2017-07-12得票数 6
我的目标是使用Tensorflow在MNIST上训练一个非常简单的CNN，将其转换为TensorRT，并使用TensorRT在MNIST测试集上执行推断，所有这些都是在Jetson Nano上进行的，为了尝试并减少内存占用，我还尝试创建了一个脚本，在该脚本中，我只是加载TensorRT模型(该模型已经被转换并保存在前面的脚本中)，并使用它对MNIST测试集的一小部分(100个浮点值)执行推断，但我仍
浏览 127提问于2020-06-27得票数 1
回答已采纳
我使用了Tensorflow(CPU版本)作为我的深度学习模型。具体使用DNNRegressor估计进行训练，给定参数集(网络结构、隐层、α等)。我研究了这篇文章:- 并发现GPU的学习速度更快。所以我从AWS (单核GPU)中获得了p2.xLargeGPU。
4例(VCPU)，12例(ECU)，61例(MiB)。我使用的代码与CPU上的估计器使用的代码相同，因为我看到估计器自己
浏览 2提问于2017-10-09得票数 0
我想运行一个在服务器上也使用Tensorflow的Python脚本。当我在没有会话配置的情况下运行它时，进程会分配所有GPU内存，从而阻止任何其他进程访问GPU。服务器规范如下：
GPU: 2×Nvidia Titan此服务器由其他同事共享，因此不允
浏览 9提问于2017-05-16得票数 1
我正在使用tf.keras运行一个内存紧张(估计约为6GB)的GAN模型，而我的GPU似乎无法处理这个模型(只报告nans，预测失败)。有办法支持我的4GB GPU内存与系统内存吗？还是一种在GPU和CPU之间共享计算工作量的方法？我的规格：
P
浏览 2提问于2021-06-07得票数 1
在使用相当深的网络时，有一个很大的问题:当调用model.train_on_batch或model.fit等时，Keras分配的GPU内存比模型本身所需要的要多得多。然后，我使用nvidia-smi来查看GPU内存Keras分配了多少，我可以看到这是非常有意义的(849 MB)。
然后我编译网络，并可以确认这不会增加GPU内存的使用。我已经在其他框架中对这个GPU进行了更深层次的网
浏览 6提问于2016-10-06得票数 40
我尝试过许多不同的Tensorflow示例，它们在CPU上工作得很好，但是当我试图在GPU上运行它们时会产生相同的错误。137] 0: Y Y I tensorflow/core/common_runtime: 0000:0a:00.0)
I tenso
浏览 6提问于2015-12-29得票数 18
我在TensorFlow中运行了MNIST演示程序，其中包含两个conv层和一个完整的层，我收到了一条消息，“内存用完了，试图分配2.59GiB”，但是它显示总内存为4.69GiB，空闲内存为3.22GiB对于更大的网络，我如何管理gpu内存？我只关心如何最好地利用gpu内存，并想知道它是如何发生的，而不是如何预先分配内存。
浏览 14提问于2016-04-29得票数 50
回答已采纳
您知道用1 GPU tensorflow对2个python进程进行推断的优雅方法吗？假设我有两个过程，第一个是分类猫/狗，第二个是分类鸟类/飞机，每个过程运行不同的tensorflow模型并运行在GPU上。这两个模型将被给予图像从不同的相机连续。通常，tensorflow将占用整个GPU的所有内存。因此，当你开始另一个过程，它会崩溃，说出内存或失败的卷积CUDA或类似的东西。我尝试过使用python，它可以工作，但
浏览 4提问于2020-03-10得票数 12
回答已采纳
1回答
我最近买了第二个gpu，我试图更新我的代码，以利用额外的硬件。我尝试了Tensorflow 中概述的方法。但是，当我用2个gpu运行我的代码时，它的运行速度并不快，事实上，它的运行速度比我使用单个gpu运行的速度慢了10%。看看资源管理器，它说我的两个gpus的容量都在50%左右。我在Windows 10上运行，使用python3.7，TF 1.13。我用的是带有2950 cpu的2台2080秒。我的第一个想法是我的输入管道有问题，所
浏览 0提问于2019-04-05得票数 0
9回答
我在一个共享计算资源的环境中工作，也就是说，我们有几台服务器，每台都配备了几个Nvidia Titan X GPU。对于小到中等大小的模型，12 GB的Titan X通常足以让2-3个人在同一GPU上同时运行训练。如果模型足够小，以至于单个模型没有充分利用GPU的所有计算单元，那么与一个接一个地运行训练过程相比，这实际上可以导致加速。即使在对GPU的并发访问确实减慢了个人训练时间的情况下，拥有多个用户同时在GPU上进行训练的灵活性仍然
浏览 96提问于2015-12-10得票数 330
回答已采纳
我已经在Tensorflow中实现了SSD (Single Shot Detector)。在推理过程中，我加载冻结的图形，如下所示： with tf.gfile.FastGFile(filename, 'rb') as1)2017-07-08 20:38:46.389877: W
tensorflow/
浏览 12提问于2017-07-09得票数 1
目前，我使用默认的64作为seq2seq tensorflow模型的批处理大小。什么是最大批量大小，层大小等我可以去与一个12 GB内存的泰坦X GPU与哈斯韦尔-E至强128 GB内存。下面是我正在使用的一些有用的参数，单元格输入大小似乎是1024：
encoder_inputs: a list of 2D Tensors [batch_size x cell.input_size].那么，根据我的硬件，我可以使用的最大批处理大小、层和输入大小是多少？当前GP
浏览 2提问于2016-02-03得票数 5
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM
腾讯云开发者
