tensorflow-gpu运行神经网络时一训练内核就失联

Question

tensorflow-gpu运行神经网络时一训练内核就失联tensorflow-gpu运行神经网络时一训练内核就失联，调节batch_size无效，且内核崩溃时显存还没有用完

Answer 1

参考GPT和自己的思路：出现内核崩溃的原因可能有很多，以下是一些可能的解决方案：

1 确保你的TensorFlow-GPU版本与CUDA和cuDNN版本兼容。可以参考TensorFlow官方网站提供的兼容性矩阵。

2 如果你使用的是Jupyter Notebook或者其他类似的交互式编程环境，尝试将你的代码移植到一个独立的Python脚本中运行，以避免一些可能的交互式编程环境的限制。

3 尝试降低batch_size以减少显存的压力。如果这并没有解决问题，可以尝试调整模型的结构，使其更加轻量化。

4 尝试更新你的GPU驱动程序。如果你的GPU驱动程序已经是最新的，也可以尝试回滚到较旧的版本。

5 尝试在代码中使用tf.debugging.set_log_device_placement(True)语句，以查看TensorFlow是如何将操作分配到GPU和CPU上的。这可能有助于找到问题的根本原因。
6 如果你使用的是Windows系统，可以尝试将环境变量TF_FORCE_GPU_ALLOW_GROWTH设置为true。这可能会使TensorFlow能够动态分配显存，从而避免内存溢出的问题。

7 最后，如果以上方法都没有解决问题，可以尝试升级你的GPU硬件，以增加显存和计算能力。

希望这些解决方案能够帮助你解决问题。