安装参数：Tensorflow（GPU）Keras Conda环境NVIDIA CUDA NVIDIA cuDNN似乎可以正常使用路径集 . 如果您查看最后一行，则消息将停止在“提示：如果您正在” . 我需要一些建议 .
我的规格：硬件系统：Intel i7-8核心/ 2 Terrabyte HD / 16 GB RAM / CPU速度4.1MHz NVIDIA GTX650（8 GB RAM）NVIDIA CUDA 9.0 NcuDNN 9.0
摘要（型号）_________________________________________________________________________________Layer（type）输出形状参数＃===================================== ============================================ conv2d_1（Conv2D）（无，198,198,32）896 _________________________________________________________________________________conv2d_2（Conv2D）（无，196,196,32）9248 __________________________________________________________________________________________max_pooling2d_1（MaxPooling2D）（无，98,98,32）0 _________________________________________________________________________________dropout_1（辍学）（无，98,98,32）0 _________________________________________________________________________________conv2d_3（Conv2D）（无，96,96,64）18496 _________________________________________________________________________________conv2d_4（Conv2D）（无，94,94,64）36928 __________________________________________________________________________________________max_pooling2d_2（MaxPooling2D）（非e，47,47,64）0 _________________________________________________________________________________dropout_2（辍学）（无，47,47,64）0 _________________________________________________________________________________flatten_1（Flatten）（无，141376）0 _________________________________________________________________________________dense_1（密集）（无，512）72385024 _________________________________________________________________________________dropout_3（辍学）（无， 512）0 _________________________________________________________________________________dense_2（密集）（无，3）1539
总参数：72,452,131可训练参数：72,452,131非训练参数：0 _____＃模型拟合>历史< - 模型％>％拟合（火车，火车标签，时期= 60，batch_size = 32，validation_split = 0.20，validation_data = list（测试， testLabels））______________模型拟合张量流（GPU）输出
2018-08-08 10：31：05.185537：IT：\ src \ github \ tensorflow \ tensorflow \ core \ platform \ cpu_feature_guard.cc：141]您的CPU支持未编译此TensorFlow二进制文件的指令：AVX2 2018-08 -08 10：31：05.383384：IT：\ src \ github \ tensorflow \ tensorflow \ core \ common_runtime \ gpu \ gpu_device.cc：1392]找到具有属性的设备0：名称：GeForce GTX 650 major：3 minor：0 memoryClockRate（ GHz）：1.202 pciBusID：0000：01：00.0 totalMemory：2.00GiB freeMemory：1.66GiB 2018-08-08 10：31：05.383846：IT：\ src \ github \ tensorflow \ tensorflow \ core \ common_runtime \ gpu \ gpu_device.cc ：1471]添加可见的gpu设备：0 2018-08-08 10：31：05.646717：IT：\ src \ github \ tensorflow \ tensorflow \ core \ common_runtime \ gpu \ gpu_device.cc：952]设备互连StreamExecutor，强度为1 edge矩阵：2018-08-08 10：31：05.646966：IT：\ src \ github \ tensorflow \ tensorflow \ core \ common_runtime \ gpu \ gpu_device.cc：958] 0 2018-08-08 10：31：05.647074：IT： \ SRC \ github上\ tensorflow \ tensorflow \核心\ common_runtime \ GPU \ gpu_device.cc：971 ] 0：N 2018-08-08 10：31：05.647267：IT：\ src \ github \ tensorflow \ tensorflow \ core \ common_runtime \ gpu \ gpu_device.cc：1084]创建TensorFlow设备（/ job：localhost / replica：0 / task：0 / device：GPU：0，1444 MB内存） - >物理GPU（设备：0，名称：GeForce GTX 650，pci总线ID：0000：01：00.0，计算能力：3.0）2018-08-08 10：31：08.347552：WT：\ src \ github \ tensorflow \ tensorflow \ core \ common_runtime \ bfc_allocator.cc：219]分配器（GPU_0_bfc）内存不足，试图分配109.02MiB . 调用者表示这不是失败，但可能意味着如果有更多可用内存可能会有性能提升 . 2018-08-08 10：31：08.347941：W T：\ src \ github \ tensorflow \ tensorflow \ core \ common_runtime \ bfc_allocator.cc：219]分配器（GPU_0_bfc）内存不足，试图分配436.88MiB . 调用者表示这不是失败，但可能意味着如果有更多可用内存可能会有性能提升 . 2018-08-08 10：31：08.496678：W T：\ src \ github \ tensorflow \ tensorflow \ core \ common_runtime \ bfc_allocator.cc：219]分配器（GPU_0_bfc）内存不足，试图分配384.53MiB . 调用者表示这不是失败，但可能意味着如果有更多可用内存可能会有性能提升 . 2018-08-08 10：31：18.498990：W T：\ src \ github \ tensorflow \ tensorflow \ core \ common_runtime \ bfc_allocator.cc：275]分配器（GPU_0_bfc）内存不足，试图分配126.62MiB . 目前的分配摘要如下 . 2018-08-08 10：31：18.500375：I T：\ src \ github \ tensorflow \ tensorflow \ core \ common_runtime \ bfc_allocator.cc：630] Bin（256）：Total Chunks：56，正在使用的块：56 . 14.0KiB分配给块 . 箱内使用14.0KiB . 3.1KiB客户端请求在bin中使用 . 2018-08-08 10：31：18.501613：IT：\ src \ github \ tensorflow \ tensorflow \ core \ common_runtime \ bfc_allocator.cc：630] Bin（512）：总块数：1，正在使用的块：1 . 512B已分配为了块 . 512B在bin中使用 . 324B客户端请求在bin中使用 . 2018-08-08 10：31：18.503105：IT：\ src \ github \ tensorflow \ tensorflow \ core \ common_runtime \ bfc_allocator.cc：630] Bin（1024）：Total Chunks：1，正在使用的块：1 . 1.3KiB分配给块 . 1.3KiB在bin中使用 . 在bin中使用1.0KiB客户端请求 . . . . . {故意删除了与上述类似的错误消息} . . 2018-08-08 10：31：18.553579：IT：\ src \ github \ tensorflow \ tensorflow \ core \ common_runtime \ bfc_allocator.cc：674] 4块大小289538048总计1.08GiB 2018-08-08 10：31：18.553772 ：IT：\ src \ github \ tensorflow \ tensorflow \ core \ common_runtime \ bfc_allocator.cc：678]总和正在使用的块总数：1.40GiB 2018-08-08 10：31：18.553963：IT：\ src \ github \ tensorflow \ tensorflow \ core \ common_runtime \ bfc_allocator.cc：680]统计：限制：1514350182 InUse：1501699072 MaxInUse：1501699072 NumAllocs：98 MaxAllocSize：289538048
2018-08-08 10：31：18.554294：WT：\ src \ github \ tensorflow \ tensorflow \ core \ common_runtime \ bfc_allocator.cc：279] ****************** ************************************************** ************* 2018-08-08 10：31：18.554562：WT：\ src \ github \ tensorflow \ tensorflow \ core \ framework \ op_kernel.cc：1318]在conv_ops中OP_REQUIRES失败 . cc：693：资源耗尽：OOM在分配张量时使用形状[27,32,196,196]并在/ job上键入float：localhost / replica：0 / task：0 / device：GPU：0 by allocator GPU_0_bfc py_call_impl中的错误（可调用，点$ args，dots $ keywords）：ResourceExhaustedError：OOM在分配具有形状的张量[27,32,196,196]并在/ job上键入float：localhost / replica：0 / task：0 / device：GPU：0 by allocator GPU_0_bfc [[Node： conv2d_2 / convolution = Conv2D [T = DT_FLOAT，_class = [“loc：@ training / SGD / gradients / conv2d_2 / convolution_grad / Conv2DBackpropFilter”]，data_format =“NCHW”，dilations = [1,1,1,1]，填充=“VALID”，strides = [1,1,1,1]，use_cudnn_on_gpu = true，_device =“/ job：localhost / replica：0 / task：0 / devi ce：GPU：0“]（conv2d_1 / Relu，conv2d_2 / kernel / read）]]提示：如果要在OOM发生时查看已分配的张量列表，请将report_tensor_allocations_upon_oom添加到RunOptions以获取当前分配信息 .
[[Node: loss/mul/_95 = _Recv[client_terminated=false, recv_device="/job:localhost/replica:0/task:0/device:CPU:0", send_device="/job:localhost/replica:0/task:0/device:GPU:0", send_device_incarnation=1, tensor_name="edge_788_loss/mul", tensor_type=DT_FLOAT, _device="/job:localhost/replica:0/task:0/device:CPU:0"]()]]
提示：如果你哇