Python 为什么tensorflow占用的GPU内存比模型文件多？

我有一个tensorflow模型，作为协议缓冲区格式保存为

model.pb

，即

184MB

。当我使用会话加载它时，我看到该进程占用了

11GB的GPU RAM。为什么会这样？
默认情况下，Tensorflow使用所有GPU内存来最小化内存碎片（请参阅）。您可以使用allow_growth config选项来防止此行为：

config = tf.ConfigProto()
config.gpu_options.allow_growth = True
session = tf.Session(config=config, ...)

默认情况下，Tensorflow使用所有GPU内存来最小化内存碎片（请参阅）。您可以使用allow_growth config选项来防止此行为：

config = tf.ConfigProto()
config.gpu_options.allow_growth = True
session = tf.Session(config=config, ...)

一方面，默认情况下，TF在创建会话时分配（几乎）整个GPU内存，而不管您实际需要模型多少内存（这使内存管理更有效）。查找“启用GPU内存增长”。另一方面，protobuf文件并不表示模型的内存重量，只表示保存的参数。例如，您仍然需要输入、输出和中间缓冲区（以及一大堆其他东西，这只是一个例子来说明这一点），所以是的，希望您的内存大小更大。这是正常的。首先，默认情况下，TF在创建会话时分配（几乎）整个GPU内存，而不管您实际需要模型多少内存（这使内存管理更有效）。查找“启用GPU内存增长”。另一方面，protobuf文件并不表示模型的内存重量，只表示保存的参数。例如，您仍然需要输入、输出和中间缓冲区（以及一大堆其他东西，这只是一个例子来说明这一点），所以是的，希望您的内存大小更大。这很正常。