Python Tensorflow上的ResourceExhauster错误，无法切换到CPU

我在GPU上运行下面网站上的示例代码时遇到此错误 我的工作电脑中有一台Nvidia 1030，它只有2gm内存 我有16克的公羊

GPU内存错误是可以理解的，这就是为什么我试图切换到CPU 有人建议我使用这段代码，但它不起作用，而且在同一个错误上仍然失败

强制tensorfow使用常规ram的正确方法是什么？ 有没有办法让Tensorflow使用更少的内存或更好地管理内存

import os
os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID" 
os.environ["CUDA_VISIBLE_DEVICES"] = ""

发生异常：ResourceExhaustedError 通过分配器GPU\U 0\bfc分配形状为[16128161]且类型为float on/job:localhost/replica:0/task:0/device:GPU:0的张量时出现OOM [[node Conv2DBackpropInput_3（定义于c:\Dev\Projects\TooGAN\Dataset\gan_test.py:147）]] 提示：如果您想在OOM发生时查看已分配的张量列表，请在OOM上添加report_tensor_allocations_on_to RunOptions以获取当前分配信息。 [Op:uuuu推断u批量训练u 1575] 函数调用堆栈： 批量生产 文件“C:\Dev\Projects\TooGAN\Dataset\gan\u test.py”，第147行，列车中 d_loss1，u=d_模型。批量训练（X_real，y_real） 文件“C:\Dev\Projects\TooGAN\Dataset\gan\u test.py”，第211行，在 训练（g_模型、d_模型、gan_模型、数据集、潜在维度）

---

Try

os.environ['CUDA\u VISIBLE\u DEVICES']='-1'

在导入TensorFlow之前需要设置CUDA\u VISIBLE\u设备，您是这样做的吗？如果您仍然想使用GPU，您是否尝试过减少培训的批量大小。批处理大小越小，所需的GPU内存就越少。

Exception has occurred: ResourceExhaustedError
 OOM when allocating tensor with shape[16,128,161,161] and type float on /job:localhost/replica:0/task:0/device:GPU:0 by allocator GPU_0_bfc
     [[node Conv2DBackpropInput_3 (defined at c:\Dev\Projects\TooGAN\Dataset\gan_test.py:147) ]]
Hint: If you want to see a list of allocated tensors when OOM happens, add report_tensor_allocations_upon_oom to RunOptions for current allocation info.
 [Op:__inference_train_on_batch_1575]

Function call stack:
train_on_batch
  File "C:\Dev\Projects\TooGAN\Dataset\gan_test.py", line 147, in train
    d_loss1, _ = d_model.train_on_batch(X_real, y_real)
  File "C:\Dev\Projects\TooGAN\Dataset\gan_test.py", line 211, in <module>
    train(g_model, d_model, gan_model, dataset, latent_dim)