RuntimeError: CUDA out of memory. Tried to allocate 192.00 MiB (GPU 0; 12.00 GiB total capacity; 1.66 GiB already allocated; 7.97 GiB free; 1.82 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

这个错误是由于 CUDA 内存溢出导致的。它告诉你在 GPU 0 上尝试分配 192.00 MiB 的内存，但是已经有 1.66 GiB 的内存被分配了，剩余 7.97 GiB 的空闲内存不足以满足你的需求。这时你可以尝试设置 PyTorch 的内存管理参数，比如 `max_split_size_mb`，以避免碎片化。你可以查阅 PyTorch 的文档了解更多关于内存管理和 `PYTORCH_CUDA_ALLOC_CONF` 的信息。

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 126.00 MiB (GPU 0; 10.76 GiB total capacity; 9.26 GiB already allocated; 62.69 MiB free; 9.37 GiB reserved in total by PyTorch)

这个错误表示你的程序在使用CUDA时，需要的内存已经超过了GPU的总容量。这可能是因为你的模型或数据集太大了，或者是你的代码没有正确释放GPU内存。

解决该问题的方法有以下几个：

1. 减小模型或数据集的规模：可以尝试缩小模型的大小或者减小数据集的规模，以降低内存使用量。

2. 减少batch size: 尝试减小batch size，以降低每次迭代时需要的内存。

3. 调整GPU内存分配策略: 可以使用PyTorch提供的函数手动设置GPU内存分配策略，以避免内存浪费。例如可以设置 `torch.cuda.empty_cache()` 函数释放一部分GPU内存，或者使用 `torch.cuda.set_per_process_memory_fraction()` 函数手动设置每个进程的GPU使用比例。

4. 使用更大的GPU: 如果你的任务确实需要更多的GPU内存，可以考虑使用更大的GPU或者多个GPU。

希望以上解答可以帮助到你。