这是调用GPU时，显存分配遇到了问题，有些解释说当前电脑其他程序占用显存（游戏等），所以发生错误，具体讨论见帖子。比较保险的方式是在模型训练之前为tensorflow或者keras分配显存空间，tensorflow就用如下语句创建session：

当你在运行深度学习模型或利用TensorFlow或Keras处理大量数据时，可能会遇到显存不足的问题。这是因为GPU资源有限，如果同时有其他程序，如大型游戏或图形处理软件，正在占用GPU的显存，那么留给TensorFlow的空间就会减少，可能导致内存分配失败。

为了避免这种情况，一种预防措施是在开始模型训练前，手动预分配一部分显存给TensorFlow。对于TensorFlow，你可以通过设置`config`选项来限制Session的显存大小，例如：

import tensorflow as tf

# 创建配置对象
config = tf.ConfigProto()
# 设置GPU的最大显存使用量 (单位通常为MB)
config.gpu_options.per_process_gpu_memory_fraction = 0.8 # 80% 的显存

# 使用指定配置创建Session
with tf.Session(config=config) as sess:
    # 训练模型...

这里，`per_process_gpu_memory_fraction` 参数设置了每个进程最多使用的GPU显存比例。确保留出足够的空间给其他必要进程，并避免过多消耗导致内存溢出。