TensorFlow 2.0之后动态分配显存
import tensorflow as tf
config = tf.compat.v1.ConfigProto()
config.gpu_options.allow_growth = True
sess = tf.compat.v1.Session(config = config)
tf.compat.v1.keras.backend.set_session(sess)keras和tensorflow动态分配显存
tensoflow或者基于tensorflow的keras，好像默认会直接将GPU中所有的显存都读过来，然后慢慢用。
这样如果是服务器是的话，别人就没法用了，这里转载了动态分配显存的方法：
tensorflow下，加入代码：
config = tf.ConfigProto()
config.gpu_options.allow_growth = True #设置动态分配显存
session = tf.Session(config=config, ...)或者：
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.3 #只一次调用30%的显存
session = tf.Session(config=config, ...)对于keras，如果使用tensorflow作为后端，多加一句话就好了：
import os
os.environ["CUDA_VISIBLE_DEVICES"] = "1"
from keras.backend.tensorflow_backend import set_session
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.3
set_session(tf.Session(config=config)) # 此处不同总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持编程网。
