[英]Failed to get convolution algorithm. This is probably because cuDNN failed to initialize,
在 Tensorflow/Keras 中运行来自https://github.com/pierluigiferrari/ssd_keras的代码时，使用估算器：ssd300_evaluation。 我收到了这个错误。
获取卷积算法失败。 这可能是因为 cuDNN 初始化失败，所以尝试查看上面是否打印了警告日志消息。
这与未解决的问题非常相似： Google Colab Error : Failed to get convolution algorithm.这可能是因为cuDNN未能初始化
对于我正在运行的问题：
蟒蛇：3.6.4。
Tensorflow 版本：1.12.0。
Keras 版本：2.2.4。
CUDA：V10.0。
cuDNN：V7.4.1.5。
NVIDIA GeForce GTX 1080。
我也跑了：
import tensorflow as tf
with tf.device('/gpu:0'):
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
with tf.Session() as sess:
print (sess.run(c))
没有错误或问题。
极简主义的例子是：
from keras import backend as K
from keras.models import load_model
from keras.optimizers import Adam
from scipy.misc import imread
import numpy as np
from matplotlib import pyplot as plt
from models.keras_ssd300 import ssd_300
from keras_loss_function.keras_ssd_loss import SSDLoss
from keras_layers.keras_layer_AnchorBoxes import AnchorBoxes
from keras_layers.keras_layer_DecodeDetections import DecodeDetections
from keras_layers.keras_layer_DecodeDetectionsFast import DecodeDetectionsFast
from keras_layers.keras_layer_L2Normalization import L2Normalization
from data_generator.object_detection_2d_data_generator import DataGenerator
from eval_utils.average_precision_evaluator import Evaluator
import tensorflow as tf
%matplotlib inline
import keras
keras.__version__
# Set a few configuration parameters.
img_height = 300
img_width = 300
n_classes = 20
model_mode = 'inference'
K.clear_session() # Clear previous models from memory.
model = ssd_300(image_size=(img_height, img_width, 3),
n_classes=n_classes,
mode=model_mode,
l2_regularization=0.0005,
scales=[0.1, 0.2, 0.37, 0.54, 0.71, 0.88, 1.05], # The scales
for MS COCO [0.07, 0.15, 0.33, 0.51, 0.69, 0.87, 1.05]
aspect_ratios_per_layer=[[1.0, 2.0, 0.5],
[1.0, 2.0, 0.5, 3.0, 1.0/3.0],
[1.0, 2.0, 0.5, 3.0, 1.0/3.0],
[1.0, 2.0, 0.5, 3.0, 1.0/3.0],
[1.0, 2.0, 0.5],
[1.0, 2.0, 0.5]],
two_boxes_for_ar1=True,
steps=[8, 16, 32, 64, 100, 300],
offsets=[0.5, 0.5, 0.5, 0.5, 0.5, 0.5],
clip_boxes=False,
variances=[0.1, 0.1, 0.2, 0.2],
normalize_coords=True,
subtract_mean=[123, 117, 104],
swap_channels=[2, 1, 0],
confidence_thresh=0.01,
iou_threshold=0.45,
top_k=200,
nms_max_output_size=400)
# 2: Load the trained weights into the model.
# TODO: Set the path of the trained weights.
weights_path = 'C:/Users/USAgData/TF SSD
Keras/weights/VGG_VOC0712Plus_SSD_300x300_iter_240000.h5'
model.load_weights(weights_path, by_name=True)
# 3: Compile the model so that Keras won't complain the next time you load it.
adam = Adam(lr=0.001, beta_1=0.9, beta_2=0.999, epsilon=1e-08, decay=0.0)
ssd_loss = SSDLoss(neg_pos_ratio=3, alpha=1.0)
model.compile(optimizer=adam, loss=ssd_loss.compute_loss)
dataset = DataGenerator()
# TODO: Set the paths to the dataset here.
dir= "C:/Users/USAgData/TF SSD Keras/VOC/VOCtest_06-Nov-2007/VOCdevkit/VOC2007/"
Pascal_VOC_dataset_images_dir = dir+ 'JPEGImages'
Pascal_VOC_dataset_annotations_dir = dir + 'Annotations/'
Pascal_VOC_dataset_image_set_filename = dir+'ImageSets/Main/test.txt'
# The XML parser needs to now what object class names to look for and in which order to map them to integers.
classes = ['background',
'aeroplane', 'bicycle', 'bird', 'boat',
'bottle', 'bus', 'car', 'cat',
'chair', 'cow', 'diningtable', 'dog',
'horse', 'motorbike', 'person', 'pottedplant',
'sheep', 'sofa', 'train', 'tvmonitor']
dataset.parse_xml(images_dirs=[Pascal_VOC_dataset_images_dir],
image_set_filenames=[Pascal_VOC_dataset_image_set_filename],
annotations_dirs=[Pascal_VOC_dataset_annotations_dir],
classes=classes,
include_classes='all',
exclude_truncated=False,
exclude_difficult=False,
ret=False)
evaluator = Evaluator(model=model,
n_classes=n_classes,
data_generator=dataset,
model_mode=model_mode)
results = evaluator(img_height=img_height,
img_width=img_width,
batch_size=8,
data_generator_mode='resize',
round_confidences=False,
matching_iou_threshold=0.5,
border_pixels='include',
sorting_algorithm='quicksort',
average_precision_mode='sample',
num_recall_points=11,
ignore_neutral_boxes=True,
return_precisions=True,
return_recalls=True,
return_average_precisions=True,
verbose=True)
我出于三种不同的原因看到了此错误消息，并使用了不同的解决方案：
我经常通过关闭 python 进程、删除~/.nv目录（在 linux 上， rm -rf ~/.nv ）并重新启动 Python 进程来解决此错误。 我不完全知道为什么会这样。 它可能至少部分与第二个选项有关：
如果图形卡 RAM 用完，该错误也会出现。 使用 nvidia GPU，您可以使用nvidia-smi检查显卡内存使用情况。 这将为您提供正在使用的 GPU RAM 量（例如6025MiB / 6086MiB如果您几乎达到极限）以及正在使用 GPU RAM 的进程列表。
如果您的 RAM 用完，您将需要重新启动该进程（这将释放 RAM），然后采用较少内存密集型的方法。 几个选项是：
import keras
import tensorflow as tf
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.9 # 0.6 sometimes works better for folks
keras.backend.tensorflow_backend.set_session(tf.Session(config=config))
如果不与上述项目一起使用，这可能会减慢您的模型评估速度，大概是因为必须交换进出大数据集以适应您分配的少量内存。
第二种选择是让 TensorFlow 开始时仅使用最少量的内存，然后根据需要分配更多内存（在此处记录）：
os.environ['TF_FORCE_GPU_ALLOW_GROWTH'] = 'true'
如果你从来没有使用过类似的模型，你没有用完 VRAM并且你的缓存是干净的，我会回去使用最好的安装指南设置 CUDA + TensorFlow - 我在以下方面取得了最大的成功https://www.tensorflow.org/install/gpu 上的说明，而不是 NVIDIA / CUDA 站点上的说明。 Lambda Stack也是一个不错的方法。
我遇到了同样的问题，因此我解决了它：
os.environ['TF_FORCE_GPU_ALLOW_GROWTH'] = 'true'
或者
physical_devices = tf.config.experimental.list_physical_devices('GPU')
if len(physical_devices) > 0:
tf.config.experimental.set_memory_growth(physical_devices[0], True)
我遇到了这个错误，我通过从我的系统中卸载所有 CUDA 和 cuDNN 版本来修复它。 然后我安装了CUDA Toolkit 9.0 （没有任何补丁）和cuDNN v7.4.1 for CUDA 9.0 。
Keras 包含在上面的 TensorFlow 2.0 中。 所以
import keras和from keras.module.module import class语句替换为 --> from tensorflow.keras.module.module import classimport tensorflow as tf
from tensorflow.compat.v1.keras.backend import set_session
config = tf.compat.v1.ConfigProto()
config.gpu_options.allow_growth = True # dynamically grow the memory used on the GPU
config.log_device_placement = True # to log device placement (on which device the operation ran)
sess = tf.compat.v1.Session(config=config)
set_session(sess)
我在使用 CuDNN v 8.0.4 的 Tensorflow 2.4 和 Cuda 11.0 也遇到了同样的问题。 我已经浪费了将近 2 到 3 天的时间来解决这个问题。 问题只是驱动程序不匹配。 我正在安装 Cuda 11.0 Update 1，我认为这是更新 1，所以可能运行良好，但那是那里的罪魁祸首。 我卸载了 Cuda 11.0 Update 1 并在没有更新的情况下安装了它。 以下是适用于 RTX 2060 6GB GPU 上的 TensorFlow 2.4 的驱动程序列表。
此处提到了所需的硬件和软件要求列表
我也不得不这样做
import tensorflow as tf
physical_devices = tf.config.list_physical_devices('GPU')
tf.config.experimental.set_memory_growth(physical_devices[0], True)
为了避免这个错误
2020-12-23 21:54:14.971709: I tensorflow/stream_executor/stream.cc:1404] [stream=000001E69C1DA210,impl=000001E6A9F88E20] did not wait for [stream=000001E69C1DA180,impl=000001E6A9F88730]
2020-12-23 21:54:15.211338: F tensorflow/core/common_runtime/gpu/gpu_util.cc:340] CPU->GPU Memcpy failed
[I 21:54:16.071 NotebookApp] KernelRestarter: restarting kernel (1/5), keep random ports
kernel 8b907ea5-33f1-4b2a-96cc-4a7a4c885d74 restarted
kernel 8b907ea5-33f1-4b2a-96cc-4a7a4c885d74 restarted
这些是我得到的一些错误样本
类型 1
UnpicklingError: invalid load key, 'H'.
During handling of the above exception, another exception occurred:
ValueError Traceback (most recent call last)
<ipython-input-2-f049ceaad66a> in <module>
类型 2
InternalError: Blas GEMM launch failed : a.shape=(15, 768), b.shape=(768, 768), m=15, n=768, k=768 [Op:MatMul]
During handling of the above exception, another exception occurred:
类型 3
failed to create cublas handle: CUBLAS_STATUS_ALLOC_FAILED
2020-12-23 21:31:04.534375: E tensorflow/stream_executor/cuda/cuda_blas.cc:226] failed to create cublas handle: CUBLAS_STATUS_ALLOC_FAILED
2020-12-23 21:31:04.534683: E tensorflow/stream_executor/cuda/cuda_blas.cc:226] failed to create cublas handle: CUBLAS_STATUS_ALLOC_FAILED
2020-12-23 21:31:04.534923: E tensorflow/stream_executor/cuda/cuda_blas.cc:226] failed to create cublas handle: CUBLAS_STATUS_ALLOC_FAILED
2020-12-23 21:31:04.539327: E tensorflow/stream_executor/cuda/cuda_dnn.cc:336] Could not create cudnn handle: CUDNN_STATUS_ALLOC_FAILED
2020-12-23 21:31:04.539523: E tensorflow/stream_executor/cuda/cuda_dnn.cc:336] Could not create cudnn handle: CUDNN_STATUS_ALLOC_FAILED
2020-12-23 21:31:04.539665: W tensorflow/core/framework/op_kernel.cc:1763] OP_REQUIRES failed at conv_ops_fused_impl.h:697 : Unknown: Failed to get convolution algorithm. This is probably because cuDNN failed to initialize, so try looking to see if a warning log message was printed above.
问题在于较新版本的 tensorflow 1.10.x 以及带有 cudnn 7.0.5 和 cuda 9.0 的版本不兼容。 最简单的解决方法是将 tensorflow 降级到 1.8.0
pip install --upgrade tensorflow-gpu==1.8.0
这是对https://stackoverflow.com/a/56511889/2037998第 2 点的跟进。
我使用以下代码来限制 GPU RAM 的使用：
import tensorflow as tf
gpus = tf.config.experimental.list_physical_devices('GPU')
if gpus:
# Restrict TensorFlow to only allocate 1*X GB of memory on the first GPU
try:
tf.config.experimental.set_virtual_device_configuration(
gpus[0],
[tf.config.experimental.VirtualDeviceConfiguration(memory_limit=(1024*4))])
logical_gpus = tf.config.experimental.list_logical_devices('GPU')
print(len(gpus), "Physical GPUs,", len(logical_gpus), "Logical GPUs")
except RuntimeError as e:
# Virtual devices must be set before GPUs have been initialized
print(e)
此代码示例来自：TensorFlow：使用 GPU：限制 GPU 内存增长将此代码放在您正在使用的任何其他 TF/Keras 代码之前。
注意：应用程序可能仍会使用比上述数字多一点的 GPU RAM。
注 2：如果系统还运行其他应用程序（如 UI），这些程序也会消耗一些 GPU RAM。 (Xorg, Firefox,... 有时高达 1GB 的 GPU RAM)
我遇到了同样的错误，出现此错误的原因是由于 cudaa/cudnn 的版本与您的 tensorflow 版本不匹配，有两种方法可以解决此问题：
要么你降级你的 Tensorflow 版本pip install --upgrade tensorflowgpu==1.8.0
或者您可以按照此处的步骤操作。
提示：选择您的 ubuntu 版本并按照步骤操作。:-)
我在 RTX 2080 上遇到了同样的问题。然后下面的代码对我有用。
from tensorflow.compat.v1 import ConfigProto
from tensorflow.compat.v1 import InteractiveSession
config = ConfigProto()
config.gpu_options.allow_growth = True
session = InteractiveSession(config=config)
我遇到了同样的问题，但在开始时添加这些代码行解决了我的问题：
physical_devices = tf.config.experimental.list_physical_devices('GPU')
tf.config.experimental.set_memory_growth(physical_devices[0], True)
适用于 tensorflow V2。
升级到TF2.0后我遇到了这个问题。 以下开始给出错误：
outputs = tf.nn.conv2d(images, filters, strides=1, padding="SAME")
我使用的是 Ubuntu 16.04.6 LTS（Azure 数据科学 VM）和 TensorFlow 2.0。 在此 TensorFlow GPU 指令页面上按指令升级。 这为我解决了这个问题。 顺便说一句，它的一堆 apt-get 更新/安装，我执行了所有这些。
只需添加
from tensorflow.compat.v1 import ConfigProto
from tensorflow.compat.v1 import InteractiveSession
config = ConfigProto()
config.gpu_options.allow_growth = True
session = InteractiveSession(config=config)
我有同样的问题。 我正在使用 conda 环境，所以我的包由 conda 自动管理。 我通过限制tensorflow v2、python 3.x的内存分配解决了这个问题
physical_devices = tf.config.experimental.list_physical_devices(‘GPU’)
tf.config.experimental.set_memory_growth(physical_devices[0], True)
这解决了我的问题。 但是，这非常限制了内存。 当我同时运行
nvidia-smi
我看到它大约是700mb。 因此，为了查看更多选项，可以检查tensorflow 网站上的代码
gpus = tf.config.experimental.list_physical_devices('GPU')
if gpus:
# Restrict TensorFlow to only allocate 1GB of memory on the first GPU
try:
tf.config.experimental.set_virtual_device_configuration(
gpus[0],
[tf.config.experimental.VirtualDeviceConfiguration(memory_limit=1024)])
logical_gpus = tf.config.experimental.list_logical_devices('GPU')
print(len(gpus), "Physical GPUs,", len(logical_gpus), "Logical GPUs")
except RuntimeError as e:
# Virtual devices must be set before GPUs have been initialized
print(e)
就我而言，上面的代码片段完美地解决了这个问题。
注意：我没有尝试使用 pip 安装 tensorflow，这与 conda 安装的 tensorflow 有效。
Ubuntu：18.04
蟒蛇：3.8.5
张量流：2.2.0
库德恩：7.6.5
cudatoolkit：10.1.243
正如上面 Anurag Bhalekar 已经观察到的那样，这可以通过一个肮脏的解决方法来解决，方法是在使用 keras 的 load_model() 加载旧模型之前在代码中设置和运行模型。 这似乎正确初始化了 cuDNN，然后可以将其用于 load_model()。
就我而言，我使用 Spyder IDE 来运行我所有的 python 脚本。 具体来说，我在一个脚本中设置、训练和保存 CNN。 之后，另一个脚本加载保存的模型以进行可视化。 如果我打开 Spyder 并直接运行可视化脚本来加载旧的、保存的模型，我会得到与上面提到的相同的错误。 我仍然能够加载模型并对其进行修改，但是当我尝试创建预测时，出现错误。
但是，如果我首先在 Spyder 实例中运行我的训练脚本，然后在同一个 Sypder 实例中运行可视化脚本，它可以正常工作，没有任何错误：
#training a model correctly initializes cuDNN
model=Sequential()
model.add(Conv2D(32,...))
model.add(Dense(num_classes,...))
model.compile(...)
model.fit() #this all works fine
然后，包括 load_model() 的以下代码工作正常：
#this script relies on cuDNN already being initialized by the script above
from keras.models import load_model
model = load_model(modelPath) #works
model = Model(inputs=model.inputs, outputs=model.layers[1].output) #works
feature_maps = model.predict(img) #produces the error only if the first piece of code is not run
我无法弄清楚为什么会这样或如何以不同的方式解决问题，但对我来说，在使用 load_model() 之前训练一个小的工作 keras 模型是一种快速而肮脏的修复，不需要重新安装 cuDNN 或其他方式.
面临同样的问题，我认为 GPU 无法一次加载所有数据。 我通过减少批量大小来解决它。
我在这个问题上挣扎了一个星期。 原因很傻：我用高分辨率照片进行训练。
希望这会节省某人的时间:)
如果存在不兼容的 cuDNN 版本，也可能出现此问题，如果您使用 conda 安装 Tensorflow，则可能会出现这种情况，因为 conda 在安装 Tensorflow 时还会安装 CUDA 和 cuDNN。
解决方案是使用pip安装Tensorflow，并在没有conda的情况下分别安装CUDA和cuDNN，例如如果您有CUDA 10.0.130和cuDNN 7.4.1 （ 测试配置） ，那么
pip install tensorflow-gpu==1.13.1
1) 关闭所有其他使用 GPU 的笔记本
2) TF 2.0 需要cuDNN SDK (>= 7.4.1)
将“bin”文件夹的路径提取并添加到“环境变量/系统变量/路径”中：“D:\\Programs\\x64\\Nvidia\\cudnn\\bin”
就我而言，当我直接从.json和.h5文件加载模型并尝试预测某些输入的输出时，会遇到此错误。 因此，在进行此类操作之前，我尝试在mnist上训练一个示例模型，该模型允许cudNN进行初始化，
我有同样的问题，但比这里发布的其他人的解决方案更简单。 我同时安装了 CUDA 10.0 和 10.2，但我只有 10.2 的 cuDNN，并且这个版本 [在本文发布时] 与 TensorFlow GPU 不兼容。 我刚刚为 CUDA 10.0 安装了 cuDNN，现在一切正常！
解决方法：全新安装TF 2.0并运行一个简单的Minst教程，没问题，打开另一个笔记本，尝试运行并遇到此问题。 我存在所有笔记本并重新启动 Jupyter 并仅打开一个笔记本，成功运行问题似乎是内存或在 GPU 上运行多个笔记本
谢谢
我和你有同样的问题，我的配置是 tensorflow1.13.1、cuda10.0、cudnn7.6.4。 我尝试将 cudnn 的版本更改为 7.4.2 幸运的是，我解决了问题。
在我的代码开始时在 GPU 上启用内存增长解决了这个问题：
import tensorflow as tf
physical_devices = tf.config.experimental.list_physical_devices('GPU')
print("Num GPUs Available: ", len(physical_devices))
tf.config.experimental.set_memory_growth(physical_devices[0], True)
可用的 GPU 数量：1
在您的笔记本或代码的开头添加以下代码行
import tensorflow as tf
physical_devices = tf.config.experimental.list_physical_devices('GPU')
tf.config.experimental.set_memory_growth(physical_devices[0], True)
我有一个类似的问题。 Tensorflow 抱怨说它期望某个版本的 cuDNN 但不是它找到的那个版本。 所以，我从https://developer.nvidia.com/rdp/cudnn-archive下载了它预期的版本并安装了它。 它现在可以工作了。
如果你已经使用 Conda 安装了 Tensorflow-gpu，那么安装随它一起安装的cudnn和cudatoolkit并重新运行笔记本。
注意：尝试在 conda 中仅卸载这两个软件包会强制卸载一系列其他软件包。 因此，使用以下命令仅卸载这些软件包
(1)删除cuda
conda remove --force cudatookit
(2)去除cudnn
conda remove --force cudnn
现在运行 Tensorflow，它应该可以工作了！
没有任何代表，我无法将其添加为对以上 Anurag 和 Obnebion 的两个现有答案的评论，我也不能对答案进行投票，因此即使它似乎违反了指导方针，我也做出了一个新答案。 无论如何，我最初遇到了这个页面上的其他答案的问题，并修复了它，但后来当我开始使用检查点回调时再次遇到相同的消息。 在这一点上，只有 Anurag/Obnebion 的答案是相关的。 事实证明，我最初将模型保存为 .json，将权重分别保存为 .h5，然后使用 model_from_json 和单独的 model.load_weights 再次获得权重。 那行得通（我有 CUDA 10.2 和 tensorflow 2.x）。 只有当我试图从检查点回调切换到这个多合一的 save/load_model 时，它才会损坏。 这是我在 _save_model 方法中对 keras.callbacks.ModelCheckpoint 所做的小改动：
if self.save_weights_only:
self.model.save_weights(filepath, overwrite=True)
else:
model_json = self.model.to_json()
with open(filepath+'.json','w') as fb:
fb.write(model_json)
fb.close()
self.model.save_weights(filepath+'.h5', overwrite=True)
with open(filepath+'-hist.pickle','wb') as fb:
trainhistory = {"history": self.model.history.history,"params": self.model.history.params}
pickle.dump(trainhistory,fb)
fb.close()
# self.model.save(filepath, overwrite=True)
历史泡菜转储只是关于堆栈溢出的另一个问题的杂乱无章，当您从检查点回调中提前退出时，历史对象会发生什么。 好吧，您可以在 _save_model 方法中看到有一行将损失监视器数组从日志字典中拉出...但从未将其写入文件！ 所以我只是相应地放入了kludge。 大多数人不建议像这样使用泡菜。 我的代码只是一个黑客所以没关系。
看起来图书馆需要一些热身。 这不是生产的有效解决方案，但您至少可以继续处理其他错误......
from keras.models import Sequential
import numpy as np
from keras.layers import Dense
from keras.datasets import mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
model = Sequential()
model.add(Dense(1000,input_dim=(784),activation='relu') ) #imnput layer
model.add(Dense(222,activation='relu')) #hidden layer
model.add(Dense(100,activation='relu'))
model.add(Dense(50,activation='relu'))
model.add(Dense(10,activation='sigmoid'))
model.compile(optimizer="adam",loss='categorical_crossentropy',metrics=["accuracy"])
x_train = np.reshape(x_train,(60000,784))/255
x_test = np.reshape(x_test,(10000,784))/255
from keras.utils import np_utils
y_train = np_utils.to_categorical(y_train)
y_test = np_utils.to_categorical(y_test)
model.fit(x_train[:1000],y_train[:1000],epochs=1,batch_size=32)
如果您是中国人，请确保您的工作路径不包含中文，并将您的batch_size 更改得越来越小。谢谢！
只需使用以下命令安装带有 GPU 的 TensorFlow： pip install tensorflow ； 您不需要单独安装 GPU。 如果单独安装 GPU，则很可能会与它们的版本不匹配。
但是对于 1.15 及更早的版本，CPU 和 GPU 包是分开的。
我在 AWS Ubuntu 实例上为此苦苦挣扎了一段时间。
然后，我找到了解决方案，在这种情况下非常简单。
不要使用 pip ( pip install tensorflow-gpu ) pip install tensorflow-gpu ，而是使用conda install tensorflow-gpu ( conda install tensorflow-gpu )，以便它位于 conda 环境中，并在正确的环境中安装 cudatoolkit 和 cudnn。
这对我有用，挽救了我的一天，希望它可以帮助其他人。
请参阅 learnermaxRL 的原始解决方案： https://github.com/tensorflow/tensorflow/issues/24828#issuecomment-453727142 : https://github.com/tensorflow/tensorflow/issues/24828#issuecomment-453727142
cuDNN 错误 无法获得卷积算法。 这可能是因为 cuDNN 初始化失败
[英]cuDNN Error Failed to get convolution algorithm. This is probably because cuDNN failed to initialize
无法创建 cudnn 句柄：CUDNN_STATUS_ALLOC_FAILED，无法获得卷积算法。 这可能是因为 cuDNN 未能初始化
[英]Could not create cudnn handle: CUDNN_STATUS_ALLOC_FAILED , Failed to get convolution algorithm. This is probably because cuDNN failed to initialize
Tensorflow 错误。 获取卷积算法失败。 这可能是因为 cuDNN 未能初始化
[英]Tensorflow error. Failed to get convolution algorithm. This is probably because cuDNN failed to initialize
(0) 未知：获取卷积算法失败。 这可能是因为 cuDNN 未能初始化
[英](0) Unknown: Failed to get convolution algorithm. This is probably because cuDNN failed to initialize
CUDA Tensorflow 版本，nvidia-smi 版本问题。 获取卷积算法失败。 这可能是因为 cuDNN 初始化失败，
[英]CUDA Tensorflow Version ,nvidia-smi version issue. Failed to get convolution algorithm. This is probably because cuDNN failed to initialize,
获取卷积算法失败。 这可能是因为 cuDNN 初始化失败，所以尝试查看是否打印了警告日志消息
[英]Failed to get convolution algorithm. This is probably because cuDNN failed to initialize, so try looking to see if a warning log message was printed
Google Colab 错误：无法获得卷积算法。这可能是因为 cuDNN 初始化失败
[英]Google Colab Error : Failed to get convolution algorithm.This is probably because cuDNN failed to initialize
CNN error Failed to get convolution algorithm.这可能是因为cuDNN初始化失败，
[英]CNN error Failed to get convolution algorithm.This is probably because cuDNN failed to initialize,
获取卷积算法失败。这可能是因为cuDNN初始化失败。[{node conv2d_1/Conv2D}]
[英]Failed to get convolution algorithm.This is probably because cuDNN failed to initialize.[{node conv2d_1/Conv2D}]
获取卷积算法失败。 在 Tensorflow 图像识别中
[英]Failed to get convolution algorithm. In Tensorflow Image Recognition
声明:本站的技术帖子网页，遵循CC BY-SA 4.0协议，如果您需要转载，请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.