Python I'；在对加载的tensorflow模型进行预测时，我遇到了一个令人困惑的cuDNN错误

我创建了一个ResNet模型并保存了它，但是在加载到另一个笔记本后尝试运行预测时，我得到了一系列错误

假设我有笔记本A和B。在笔记本A中，我创建了一个名为resnet_model的模型。我可以做预测，一切都很好。我这样保存了模型

resnet_model.save(os.path.join(DATAPATH,"res1_network.h5"))

然后我将模型加载到笔记本中

loaded_model = load_model(os.path.join(DATAPATH,"res1_network.h5"))

我对它进行了预测，结果和以前完全一样。现在，如果我转到笔记本B，加载模型，并尝试这样预测

res1_model = load_model(os.path.join(DATAPATH,"res1_network.h5"))
res1_model.predict(pred_list, verbose=1)

我犯了一系列错误

UnknownError:  Failed to get convolution algorithm. This is probably because cuDNN failed to initialize, so try looking to see if a warning log message was printed above.
     [[node model_2/conv2d/Conv2D (defined at C:\Users\Dave\Miniconda3\envs\tensorflow\lib\site-packages\tensorflow_core\python\framework\ops.py:1751) ]] [Op:__inference_distributed_function_23018]

Function call stack:
distributed_function

---

cuDNN怎么可能在这个笔记本上不能正常工作，但在另一个笔记本上却可以。如果模型不起作用，我怎么能构建它呢？

默认情况下，TensorFlow映射了所有GPU（）的几乎所有GPU内存，因此它可能与此相关

在运行笔记本B之前，您可以尝试重置笔记本A的内核以释放内存

或者，您可以将

allow_growth

选项设置为仅在需要时分配更多GPU内存：

tf_config=tf.ConfigProto()
tf_config.gpu_options.allow_growth=True
sess = tf.Session(config=tf_config)
K.set_session(sess)

当然，这取决于您同时运行的会话数量、GPU总内存、型号大小等

要检查当前使用的内存量，可以使用

nvidia smi

。我不是Windows用户，但也许这个答案可以帮助您（）

tensorflow>=2.0

import tensorflow as tf
config = tf.compat.v1.ConfigProto(gpu_options = 
                     tf.compat.v1.GPUOptions(per_process_gpu_memory_fraction=0.8)
 # device_count = {'GPU': 1}
)
config.gpu_options.allow_growth = True
session = tf.compat.v1.Session(config=config)
tf.compat.v1.keras.backend.set_session(session)

如果这不起作用！！！！ 然后，您必须从一开始就重新安装cuda软件

---

在运行B之前，您是否重置或关闭了内核A？也许它与GPU内存有关。不，我没有，我应该有吗？默认情况下，TensorFlow几乎映射了所有GPU的所有GPU内存（），所以可能它与此有关。我想这就是它。我在另一本笔记本上训练了一些东西。培训已经完成了，但我认为GPU还在坚持。我必须关闭内核

import tensorflow as tf
config = tf.compat.v1.ConfigProto(gpu_options = 
                     tf.compat.v1.GPUOptions(per_process_gpu_memory_fraction=0.8)
 # device_count = {'GPU': 1}
)
config.gpu_options.allow_growth = True
session = tf.compat.v1.Session(config=config)
tf.compat.v1.keras.backend.set_session(session)