CUDA out of memory. Tried to allocate 38.00 MiB (GPU 0; 2.00 GiB total capacity; 1.60 GiB already allocated; 0 bytes free; 1.70 GiB reserved in total by PyTorch) If reserved memory is >> allocated memory try setting max_split_size_mb to avoid fragmentation. See documentation for Memory Management and PYTORCH_CUDA_ALLOC_CONF

这是一个关于 PyTorch 内存管理的问题，建议您参考文档中的 Memory Management 和 PYTORCH_CUDA_ALLOC_CONF 部分，尝试调整 max_split_size_mb 参数来避免内存碎片化。

相关问题

RuntimeError: CUDA out of memory. Tried to allocate 96.00 MiB (GPU 0; 2.00 GiB total capacity; 1.65 GiB already allocated

这个错误信息表示在训练模型时，尝试分配96.00 MiB的内存，但GPU显存容量为2.00 GiB，已经分配了1.65 GiB，只剩下35.03 MiB的空闲内存。这造成了CUDA显存不足的错误。

为了解决这个问题，你可以尝试以下几个方法：
1. 将batch_size减小。减小每个批次的大小可以减少显存的使用量。
2. 使用item()属性来获取torch变量的标量值。这将释放与计算图相关的显存。
3. 在测试阶段，可以添加代码来释放不需要的变量和缓存，以释放显存。

请注意，这只是一些常见的解决方法，具体的解决方法可能因情况而异。你可以根据实际情况和实验结果来选择最适合你的方法。

RuntimeError: CUDA out of memory. Tried to allocate 20.00 MiB (GPU 0; 2.00 GiB total capacity; 1.31 GiB already allocated; 0 bytes free; 1.34 GiB reserved in total by PyTorch)

这个错误表示在尝试分配20.00 MiB的内存时，CUDA GPU的内存已经用完了。这可能是因为你的模型或数据集太大，超出了GPU的容量限制。解决这个问题的一种方法是减少模型大小或使用更小的数据集。你还可以尝试以下方法来解决这个问题：

1. 减少批次大小（batch size）：减少每次训练中的样本数量，这将减少对GPU内存的需求。
2. 使用更小的模型：如果可能的话，可以尝试使用更小的模型或者减少模型的层数和参数量。
3. 使用更高性能的GPU：如果你使用的是较旧或较低性能的GPU，可能会遇到内存不足的问题。考虑升级到具有更大内存容量的GPU。
4. 清理GPU内存：在每个训练迭代之后调用`torch.cuda.empty_cache()`来清理GPU内存。

如果上述方法都无法解决问题，那可能需要考虑使用分布式训练或者在云平台上使用更强大的GPU来处理大型模型和数据集。