python清除tensorflow占用显存

在 Python 中清除 TensorFlow 占用的显存，可以使用以下代码：

import tensorflow as tf
from keras.backend.tensorflow_backend import set_session

# 获取当前 TensorFlow 的 session
sess = tf.compat.v1.keras.backend.get_session()

# 设置 TensorFlow 的 GPU 内存分配方式为按需分配
config = tf.compat.v1.ConfigProto()
config.gpu_options.allow_growth = True
config.gpu_options.per_process_gpu_memory_fraction = 0.1
set_session(tf.compat.v1.Session(config=config))

在上述代码中，我们通过将 `allow_growth` 设置为 `True` 来实现 TensorFlow 的 GPU 内存按需分配。此外，还可以通过设置 `per_process_gpu_memory_fraction` 来控制 TensorFlow 占用的显存比例。

相关问题

python不结束进程清除tensorflow占用显存

可以使用以下代码来清除 TensorFlow 占用的显存：

import tensorflow as tf
from numba import cuda

# 创建 TensorFlow Session 对象
sess = tf.Session()

# ...

# 关闭 TensorFlow Session 对象
sess.close()

# 清除 TensorFlow 占用的显存
cuda.select_device(0)
cuda.close()

其中，`cuda.select_device(0)` 表示选择第 0 个 GPU 设备，`cuda.close()` 表示清除该设备占用的显存。如果有多个 GPU 设备，可以选择不同的设备进行清除。此外，还需要安装 `numba` 库。

清除tensorflow占用显存

在使用 TensorFlow 进行机器学习训练时，可能会遇到显存不足的问题，这时候可以使用以下方法来清除 TensorFlow 占用的显存：

1. 在训练代码中加上以下代码：

import tensorflow as tf
from keras.backend.tensorflow_backend import set_session

config = tf.ConfigProto()
config.gpu_options.allow_growth = True
sess = tf.Session(config=config)
set_session(sess)

这段代码会让 TensorFlow 动态申请显存，避免一次性申请过多导致显存不足。

2. 如果还是出现显存不足的情况，可以使用以下命令来清除 TensorFlow 占用的显存：

sudo lsof /dev/nvidia* | grep python | awk '{print $2}' | xargs sudo kill -9

这条命令会杀掉所有正在占用 NVIDIA 显卡的 Python 进程，包括 TensorFlow。注意，这会导致所有正在运行的 TensorFlow 程序停止，因此请谨慎使用。