Tensorflow有时无法在GPU上运行

我自己解决了这个问题。这是因为celeba数据集中的图像太多，而我的数据加载器效率太低。数据加载花费了太多的时间，导致了低速

但是，这仍然不能解释为什么代码在cpu上运行，而gpu内存也被占用了。毕竟，我只是转到了派托克

---

我的环境：windows10、cuda 9.0、cudnn 7.0.5、tensorflow gpu 1.8.0

我在做一个骑自行车的模特。起初，它与我的玩具数据集配合得很好，可以在gpu上运行而没有主要问题（尽管前10次迭代花费了非常长的时间，这意味着它可能在cpu上运行）

后来我尝试了celeba数据集，只是更改了文件夹名称以加载数据（我一次将数据加载到内存中，然后使用自己的下一批函数和feed_dict来训练模型）。然后问题出现了：GPU内存仍然按照GPU-Z使用，但GPU负载很低（低于10%），而且训练速度非常慢（比正常情况下慢了10倍以上），这意味着代码是在CPU上运行的

---

谁能给我一些建议吗？非常感谢您的帮助。

您尝试的批量大小是多少？如果它对于一个小型号来说太低（比如2-8），那么消耗的内存就不会太多。这完全取决于批处理大小、模型中参数的数量等。它还取决于模型体系结构以及模型中有多少组件可以并行运行。也许可以尝试增加批处理大小并重新运行它

批量大小为4。事实上，图像大小（96*96）和批处理大小（4）没有改变，并且对于较小的数据集来说，过去是可以的。我只更改了包含dataset的文件夹名称，问题就出现了。如果更改文件夹名称是唯一的修改，那么这可能是巧合。您是否尝试将其设置回原始配置并重新运行？