Python 当我将theano.config.device设置为gpu时，程序中出现内存错误

我的图形系统是GT550M

当我在gpu上运行我的程序时，它会给出以下错误，我不知道如何解决这个问题

MemoryError: error freeing device pointer 0x0000000500C60000 (the launch timed out and was terminated)
Apply node that caused the error: GpuReshape{4}(GpuConv{valid, (2, 2), None, (7, 7), True, (3, 224, 224), (7, 7)}.0, TensorConstant{[672   1 109 109]})
Inputs types: [CudaNdarrayType(float32, 4D), TensorType(int64, vector)]
Inputs shapes: [(7, 96, 109, 109), (4L,)]
Inputs strides: [(1140576, 11881, 109, 1), (8L,)]
Inputs scalar values: ['not scalar', 'not scalar']

Debugprint of the apply node: 
GpuReshape{4} [@A] <CudaNdarrayType(float32, (False, True, False, False))> ''   
 |GpuConv{valid, (2, 2), None, (7, 7), True, (3, 224, 224), (7, 7)} [@B] <CudaNdarrayType(float32, 4D)> ''   
 | |GpuDimShuffle{0,3,1,2} [@C] <CudaNdarrayType(float32, 4D)> ''   
 | | |GpuFromHost [@D] <CudaNdarrayType(float32, 4D)> ''   
 | |   |x [@E] <TensorType(float32, 4D)>
 | |<CudaNdarrayType(float32, 4D)> [@F] <CudaNdarrayType(float32, 4D)>
 |TensorConstant{[672   1 109 109]} [@G] <TensorType(int64, vector)>

HINT: Re-running with most Theano optimization disabled could give you a back-traces when this node was created. This can be done with by setting the Theano flags optimizer=fast_compile

MemoryError:释放设备指针0x0000000500C6000时出错（启动超时并已终止）
导致错误的应用节点：GpuReshape{4}（GpuConv{valid，（2,2），None，（7,7），True，（3,224,224），（7,7）}.0，TensorConstant{[672 1 109]}）
输入类型：[cudandaraytype（float32，4D），TensorType（int64，vector）]
输入形状：[（7,96,109,109），（4L，）]
输入跨步：[（114057611881109,1），（8L，）]
输入标量值：[“非标量”、“非标量”]
应用节点的调试打印：
GpuReshape{4}[@A]''
|GpuConv{valid，（2，2），None，（7，7），True，（3224224），（7，7）}[@B]'
|| GpuDimShuffle{0,3,1,2}[@C]'
|| | GpuFromHost[@D]”
|| | x[@E]
||[@F]
|张量恒量{[6721109]}[@G]
提示：在禁用大多数Theano优化的情况下重新运行可能会返回创建此节点时的跟踪。这可以通过设置Theano flags optimizer=fast\u compile来完成

cuda的错误是异步返回的。因此，部分错误消息可能是无关的。这是第一行：

MemoryError:释放设备指针0x0000000500C6000时出错（启动超时并已终止）

答案在第二部分：发射超时并被终止

您的GPU已连接到显示器。在这种情况下，每个GPU内核调用有5s的限制。碰巧它被破坏了，驱动程序杀死了内核。这是为了防止屏幕没有响应

可能的解决办法： 1） 为显示器使用不同的gpu。 2） 通过使用较小的输入数据（例如，较小的批处理大小）加快内核速度 3） 买一个更快的GPU，不确定它是否能工作，如果它能与你目前的大小，问题将出现在更大的大小