Python 在tensorflow r1.0中，每个进程的gpu内存部分不能按预期工作_Python_Python 3.x_Machine Learning_Tensorflow

Python 在tensorflow r1.0中，每个进程的gpu内存部分不能按预期工作

python python-3.x machine-learning tensorflow

Python 在tensorflow r1.0中，每个进程的gpu内存部分不能按预期工作,python,python-3.x,machine-learning,tensorflow,Python,Python 3.x,Machine Learning,Tensorflow,我想限制每个gpu的内存使用。根据本文的建议，我做了以下工作： config = tf.ConfigProto(allow_soft_placement=True, gpu_options=tf.GPUOptions(per_process_gpu_memory_fraction=0.9)) saver = tf.train.Saver() sv = tf.train.Supervisor(logdir=FLAGS.log_root, is_ch

我想限制每个gpu的内存使用。根据本文的建议，我做了以下工作：

config = tf.ConfigProto(allow_soft_placement=True, gpu_options=tf.GPUOptions(per_process_gpu_memory_fraction=0.9))
saver = tf.train.Saver()
sv = tf.train.Supervisor(logdir=FLAGS.log_root,
                         is_chief=True,
                         saver=saver,
                         summary_op=None,
                         save_summaries_secs=60,
                         save_model_secs=FLAGS.checkpoint_secs,
                         global_step=model.global_step)
sess = sv.prepare_or_wait_for_session(config=config)

但它仍然不起作用（其中一个GPU的

GPU Util

已达到100%）。你能告诉我如何解决这个问题吗？提前谢谢

这更多地讨论了

GPU Util

的实际含义

请注意，它不是
易失性GPU Util
。
Volatile
实际上属于
Volatile Uncorr。ECC

GPU Util实际上是独立存在的。

关于您的问题，看到100%的GPU Util是完全正常的。要查看内存是否受到限制，您应该真正查看内存使用情况，并估计已分配的内存量。什么是内存使用情况？你能举一个你的nvidia smi 的例子吗？@jkschin一个GPU的Volatile GPU Util 是100%，我认为这是正常的。查看Volatile GPU Util 的含义。您应该查看内存使用情况@jkschin谢谢您的更正。但这很奇怪。当Volatile GPU Util 为100%时，pool\u分配器运行非常慢。它实际上只是GPU Util 。挥发性物质属于其他物质。我不知道慢意味着什么，但所有的GPU Util 显示的是你的GPU内核有多少在运行。如果你的内核是一个非常复杂的操作，我会毫不惊讶地看到100%。