我使用Pytorch进行模型训练时发现真正模型本身对于显存的占用并不明显，但是对应的转换为tensorflow后（权重也进行了转换），发现Python-tensorflow在使用时默认吃掉所有显存，并且不手动终结程序的话显存并不释放（我有两个序贯的模型，前面一个跑完后并不释放占用显存）（https://github.com/tensorflow/tensorflow/issues/1727），这一点对于后续的工作有很大的影响。
后面发现python-tensorflow限制显存有两种方法：
1. 设置显卡的使用率
这种方法在学习和工作中比较好用，学习时可提高显卡使用效率，工作时可方便的获得GPU显存消耗极限，用以提供显卡购买时的参数，现将代码展示如下：
这里的0.1 表示使用显存总量的的10%
2. 设置显卡按需使用（这个本人并没有专门测试，只是从tensorflow论坛上获得）
gpu_options = tf.GPUOptions(allow_growth=True) sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))
以上这篇解决Tensorflow占用GPU显存问题就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。