所以我在一台装有GeForce GTX 980显卡的Windows 10机器上安装了GPU版本的TensorFlow。
诚然，我对显卡知之甚少，但根据 dxdiag 的说法，它确实有：
4060MB 的专用内存 (VRAM) 和；
8163MB 共享内存
总共约12224MB。
不过，我注意到的是，这种“共享”内存似乎毫无用处。当我开始训练模型时，VRAM 将填满，如果内存需求超过这些 4GB，TensorFlow 将崩溃并显示“资源耗尽”错误消息。
当然，我可以通过选择适当低的批量大小来防止达到这一点，但我想知道是否有办法利用这些“额外”8GB 的 RAM，或者是否就是这样而 TensorFlow 需要要专用的内存。
【问题讨论】：
标签： tensorflow shared-memory vram
共享内存是主系统 RAM 中为图形保留的区域。参考资料：
https://en.wikipedia.org/wiki/Shared_graphics_memory
https://www.makeuseof.com/tag/can-shared-graphics-finally-compete-with-a-dedicated-graphics-card/
https://youtube.com/watch?v=E5WyJY1zwcQ
这种类型的内存是集成显卡（例如 Intel HD 系列）通常使用的内存。
这不在您的 NVIDIA GPU 上，CUDA 无法使用它。 Tensorflow 在 GPU 上运行时无法使用它，因为 CUDA 无法使用它，并且在 CPU 上运行时也无法使用它，因为它是为图形保留的。
即使 CUDA 可以以某种方式使用它。它不会有用，因为系统 RAM 带宽比 GPU 内存带宽小 10 倍左右，并且您必须以某种方式通过慢速（和高延迟）PCIE 总线将数据传入和传出 GPU。
带宽数供参考： GeForce GTX 980：224 GB/秒 台式机主板上的 DDR4：约 25GB/s PCIe 16x：16GB/s
这没有考虑延迟。在实践中，在数据上运行 GPU 计算任务，这些数据太大而无法放入 GPU 内存并且每次访问时都必须通过 PCIe 传输，对于大多数类型的计算来说是如此缓慢，以至于在 CPU 上执行相同的计算会快得多.
当您的机器中有 NVIDIA 卡时，为什么会看到这种内存被分配？好问题。我能想到几种可能性：
(a) 您同时激活了 NVIDIA 和 Intel 图形驱动程序（例如，在两者上运行不同的显示器时会发生这种情况）。在 BIOS 中卸载 Intel 驱动程序和/或禁用 Intel HD 显卡，共享内存将消失。
(b) NVIDIA 正在使用它。这可能是例如额外的纹理内存等。它也可能不是真正的内存，而只是对应于 GPU 内存的内存映射区域。在 NVIDIA 驱动程序的高级设置中查看控制此设置的设置。
无论如何，不，Tensorflow 没有任何东西可以使用。
【讨论】：
CUDA 也可以使用 RAM。在 CUDA 中，VRAM 和 RAM 之间的共享内存称为统一内存。但是，由于性能原因，TensorFlow 不允许这样做。
【讨论】：
嗯，这并不完全正确。您在降低批量大小方面是正确的，但这取决于您正在训练的模型类型。如果你训练 Xseg，它不会使用共享内存，但是当你进入 SAEHD 训练时，你可以在 CPU（而不是 GPU）上设置你的模型优化器以及你的学习辍学率，然后让你利用它用于这些优化的共享内存，同时为您的模型分辨率和批量大小节省专用 GPU 内存。所以看起来共享内存似乎没有用，但是使用您的设置，您会发现对于某些设置，这只是重新分配正确任务的问题。您将增加迭代时间，但您将以一种或另一种方式利用该共享内存。我必须进行大量试验才能找到适用于我的 GPU 的方法，并且有一些令人惊讶的发现。这是一篇旧帖子，但我敢打赌你现在已经想通了，希望如此。
【讨论】：