Python 为什么使用GPU的TensorFlow程序的虚拟大小要比仅在CPU上运行的TensorFlow程序大得多？

在我的Ubuntu 14.04.5 LTS x64服务器上，我有3个在GPU上运行的TensorFlow程序和2个在CPU上运行的TensorFlow程序：

 CPU%   MEM%  VIRT   RES   PID USER        NI S     TIME+   R/s   W/s Command
1047.3   0.1 11.7G 1.04G 29414 userli       0 S  34h06:03     0     0 python3.5 main_CPU.py
 930.6   0.1 12.2G  996M 28443 userli       0 R  44h58:36     0     0 python3.5 main_CPU.py
 162.0   0.1  776G 1.33G 27457 userli       0 S   8h09:06     0     0 python3.5 main_GPU.py
 144.8   0.1  776G 1.33G 20023 userli       0 S   8h53:24     0    4K python3.5 main_GPU.py
 144.0   0.1  776G 1.34G 20111 userli       0 S   8h48:52     0    4K python3.5 main_GPU.py

main_CPU.py

与

main_GPU.py

相同，只是前者在CPU上运行，而后者在GPU上运行

---

为什么使用GPU的TensorFlow进程比仅在CPU上运行的TensorFlow进程（776GB对~12GB）具有更高的（

VIRT

列）？

正如您的链接所示，虚拟大小基于分配给程序的虚拟内存地址，而不是（准确地）表示程序存储或使用的数据量。虚拟内存地址可能指向GPU上的位置，每个位置都有4个字节，而这些地址在CPU上都可能代表1MB，因此这些地址所代表的虚拟大小会膨胀约33.000倍。

正如链接所示，虚拟大小基于分配给程序的虚拟内存地址，并不（准确地）表示程序存储或使用的数据量。虚拟内存地址可能指向GPU上的位置，每个位置有4个字节，而这些地址在CPU上可能代表1MB，因此这些地址所代表的虚拟大小会膨胀33.000倍