[英]Failed to get convolution algorithm. This is probably because cuDNN failed to initialize,
在 Tensorflow/Keras 中運行來自https://github.com/pierluigiferrari/ssd_keras的代碼時，使用估算器：ssd300_evaluation。 我收到了這個錯誤。
獲取卷積算法失敗。 這可能是因為 cuDNN 初始化失敗，所以嘗試查看上面是否打印了警告日志消息。
這與未解決的問題非常相似： Google Colab Error : Failed to get convolution algorithm.這可能是因為cuDNN未能初始化
對於我正在運行的問題：
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))
沒有錯誤或問題。
極簡主義的例子是：
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)
我出於三種不同的原因看到了此錯誤消息，並使用了不同的解決方案：
我經常通過關閉 python 進程、刪除~/.nv目錄（在 linux 上， rm -rf ~/.nv ）並重新啟動 Python 進程來解決此錯誤。 我不完全知道為什么會這樣。 它可能至少部分與第二個選項有關：
如果圖形卡 RAM 用完，該錯誤也會出現。 使用 nvidia GPU，您可以使用nvidia-smi檢查顯卡內存使用情況。 這將為您提供正在使用的 GPU RAM 量（例如6025MiB / 6086MiB如果您幾乎達到極限）以及正在使用 GPU RAM 的進程列表。
如果您的 RAM 用完，您將需要重新啟動該進程（這將釋放 RAM），然后采用較少內存密集型的方法。 幾個選項是：
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))
如果不與上述項目一起使用，這可能會減慢您的模型評估速度，大概是因為必須交換進出大數據集以適應您分配的少量內存。
第二種選擇是讓 TensorFlow 開始時僅使用最少量的內存，然后根據需要分配更多內存（在此處記錄）：
os.environ['TF_FORCE_GPU_ALLOW_GROWTH'] = 'true'
如果你從來沒有使用過類似的模型，你沒有用完 VRAM並且你的緩存是干凈的，我會回去使用最好的安裝指南設置 CUDA + TensorFlow - 我在以下方面取得了最大的成功https://www.tensorflow.org/install/gpu 上的說明，而不是 NVIDIA / CUDA 站點上的說明。 Lambda Stack也是一個不錯的方法。
我遇到了同樣的問題，因此我解決了它：
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)
我遇到了這個錯誤，我通過從我的系統中卸載所有 CUDA 和 cuDNN 版本來修復它。 然后我安裝了CUDA Toolkit 9.0 （沒有任何補丁）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語句替換為 --> 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 也遇到了同樣的問題。 我已經浪費了將近 2 到 3 天的時間來解決這個問題。 問題只是驅動程序不匹配。 我正在安裝 Cuda 11.0 Update 1，我認為這是更新 1，所以可能運行良好，但那是那里的罪魁禍首。 我卸載了 Cuda 11.0 Update 1 並在沒有更新的情況下安裝了它。 以下是適用於 RTX 2060 6GB GPU 上的 TensorFlow 2.4 的驅動程序列表。
此處提到了所需的硬件和軟件要求列表
我也不得不這樣做
import tensorflow as tf
physical_devices = tf.config.list_physical_devices('GPU')
tf.config.experimental.set_memory_growth(physical_devices[0], True)
為了避免這個錯誤
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
這些是我得到的一些錯誤樣本
類型 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>
類型 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:
類型 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.
問題在於較新版本的 tensorflow 1.10.x 以及帶有 cudnn 7.0.5 和 cuda 9.0 的版本不兼容。 最簡單的解決方法是將 tensorflow 降級到 1.8.0
pip install --upgrade tensorflow-gpu==1.8.0
這是對https://stackoverflow.com/a/56511889/2037998第 2 點的跟進。
我使用以下代碼來限制 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)
此代碼示例來自：TensorFlow：使用 GPU：限制 GPU 內存增長將此代碼放在您正在使用的任何其他 TF/Keras 代碼之前。
注意：應用程序可能仍會使用比上述數字多一點的 GPU RAM。
注 2：如果系統還運行其他應用程序（如 UI），這些程序也會消耗一些 GPU RAM。 (Xorg, Firefox,... 有時高達 1GB 的 GPU RAM)
我遇到了同樣的錯誤，出現此錯誤的原因是由於 cudaa/cudnn 的版本與您的 tensorflow 版本不匹配，有兩種方法可以解決此問題：
要么你降級你的 Tensorflow 版本pip install --upgrade tensorflowgpu==1.8.0
或者您可以按照此處的步驟操作。
提示：選擇您的 ubuntu 版本並按照步驟操作。:-)
我在 RTX 2080 上遇到了同樣的問題。然后下面的代碼對我有用。
from tensorflow.compat.v1 import ConfigProto
from tensorflow.compat.v1 import InteractiveSession
config = ConfigProto()
config.gpu_options.allow_growth = True
session = InteractiveSession(config=config)
我遇到了同樣的問題，但在開始時添加這些代碼行解決了我的問題：
physical_devices = tf.config.experimental.list_physical_devices('GPU')
tf.config.experimental.set_memory_growth(physical_devices[0], True)
適用於 tensorflow V2。
升級到TF2.0后我遇到了這個問題。 以下開始給出錯誤：
outputs = tf.nn.conv2d(images, filters, strides=1, padding="SAME")
我使用的是 Ubuntu 16.04.6 LTS（Azure 數據科學 VM）和 TensorFlow 2.0。 在此 TensorFlow GPU 指令頁面上按指令升級。 這為我解決了這個問題。 順便說一句，它的一堆 apt-get 更新/安裝，我執行了所有這些。
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)
我有同樣的問題。 我正在使用 conda 環境，所以我的包由 conda 自動管理。 我通過限制tensorflow v2、python 3.x的內存分配解決了這個問題
physical_devices = tf.config.experimental.list_physical_devices(‘GPU’)
tf.config.experimental.set_memory_growth(physical_devices[0], True)
這解決了我的問題。 但是，這非常限制了內存。 當我同時運行
nvidia-smi
我看到它大約是700mb。 因此，為了查看更多選項，可以檢查tensorflow 網站上的代碼
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，上面的代碼片段完美地解決了這個問題。
注意：我沒有嘗試使用 pip 安裝 tensorflow，這與 conda 安裝的 tensorflow 有效。
Ubuntu：18.04
蟒蛇：3.8.5
張量流：2.2.0
庫德恩：7.6.5
cudatoolkit：10.1.243
正如上面 Anurag Bhalekar 已經觀察到的那樣，這可以通過一個骯臟的解決方法來解決，方法是在使用 keras 的 load_model() 加載舊模型之前在代碼中設置和運行模型。 這似乎正確初始化了 cuDNN，然后可以將其用於 load_model()。
就我而言，我使用 Spyder IDE 來運行我所有的 python 腳本。 具體來說，我在一個腳本中設置、訓練和保存 CNN。 之后，另一個腳本加載保存的模型以進行可視化。 如果我打開 Spyder 並直接運行可視化腳本來加載舊的、保存的模型，我會得到與上面提到的相同的錯誤。 我仍然能夠加載模型並對其進行修改，但是當我嘗試創建預測時，出現錯誤。
但是，如果我首先在 Spyder 實例中運行我的訓練腳本，然后在同一個 Sypder 實例中運行可視化腳本，它可以正常工作，沒有任何錯誤：
#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() 的以下代碼工作正常：
#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
我無法弄清楚為什么會這樣或如何以不同的方式解決問題，但對我來說，在使用 load_model() 之前訓練一個小的工作 keras 模型是一種快速而骯臟的修復，不需要重新安裝 cuDNN 或其他方式.
面臨同樣的問題，我認為 GPU 無法一次加載所有數據。 我通過減少批量大小來解決它。
我在這個問題上掙扎了一個星期。 原因很傻：我用高分辨率照片進行訓練。
希望這會節省某人的時間:)
如果存在不兼容的 cuDNN 版本，也可能出現此問題，如果您使用 conda 安裝 Tensorflow，則可能會出現這種情況，因為 conda 在安裝 Tensorflow 時還會安裝 CUDA 和 cuDNN。
解決方案是使用pip安裝Tensorflow，並在沒有conda的情況下分別安裝CUDA和cuDNN，例如如果您有CUDA 10.0.130和cuDNN 7.4.1 （ 測試配置） ，那么
pip install tensorflow-gpu==1.13.1
1) 關閉所有其他使用 GPU 的筆記本
2) TF 2.0 需要cuDNN SDK (>= 7.4.1)
將“bin”文件夾的路徑提取並添加到“環境變量/系統變量/路徑”中：“D:\\Programs\\x64\\Nvidia\\cudnn\\bin”
就我而言，當我直接從.json和.h5文件加載模型並嘗試預測某些輸入的輸出時，會遇到此錯誤。 因此，在進行此類操作之前，我嘗試在mnist上訓練一個示例模型，該模型允許cudNN進行初始化，
我有同樣的問題，但比這里發布的其他人的解決方案更簡單。 我同時安裝了 CUDA 10.0 和 10.2，但我只有 10.2 的 cuDNN，並且這個版本 [在本文發布時] 與 TensorFlow GPU 不兼容。 我剛剛為 CUDA 10.0 安裝了 cuDNN，現在一切正常！
解決方法：全新安裝TF 2.0並運行一個簡單的Minst教程，沒問題，打開另一個筆記本，嘗試運行並遇到此問題。 我存在所有筆記本並重新啟動 Jupyter 並僅打開一個筆記本，成功運行問題似乎是內存或在 GPU 上運行多個筆記本
謝謝
我和你有同樣的問題，我的配置是 tensorflow1.13.1、cuda10.0、cudnn7.6.4。 我嘗試將 cudnn 的版本更改為 7.4.2 幸運的是，我解決了問題。
在我的代碼開始時在 GPU 上啟用內存增長解決了這個問題：
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 數量：1
在您的筆記本或代碼的開頭添加以下代碼行
import tensorflow as tf
physical_devices = tf.config.experimental.list_physical_devices('GPU')
tf.config.experimental.set_memory_growth(physical_devices[0], True)
我有一個類似的問題。 Tensorflow 抱怨說它期望某個版本的 cuDNN 但不是它找到的那個版本。 所以，我從https://developer.nvidia.com/rdp/cudnn-archive下載了它預期的版本並安裝了它。 它現在可以工作了。
如果你已經使用 Conda 安裝了 Tensorflow-gpu，那么安裝隨它一起安裝的cudnn和cudatoolkit並重新運行筆記本。
注意：嘗試在 conda 中僅卸載這兩個軟件包會強制卸載一系列其他軟件包。 因此，使用以下命令僅卸載這些軟件包
(1)刪除cuda
conda remove --force cudatookit
(2)去除cudnn
conda remove --force cudnn
現在運行 Tensorflow，它應該可以工作了！
沒有任何代表，我無法將其添加為對以上 Anurag 和 Obnebion 的兩個現有答案的評論，我也不能對答案進行投票，因此即使它似乎違反了指導方針，我也做出了一個新答案。 無論如何，我最初遇到了這個頁面上的其他答案的問題，並修復了它，但后來當我開始使用檢查點回調時再次遇到相同的消息。 在這一點上，只有 Anurag/Obnebion 的答案是相關的。 事實證明，我最初將模型保存為 .json，將權重分別保存為 .h5，然后使用 model_from_json 和單獨的 model.load_weights 再次獲得權重。 那行得通（我有 CUDA 10.2 和 tensorflow 2.x）。 只有當我試圖從檢查點回調切換到這個多合一的 save/load_model 時，它才會損壞。 這是我在 _save_model 方法中對 keras.callbacks.ModelCheckpoint 所做的小改動：
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)
歷史泡菜轉儲只是關於堆棧溢出的另一個問題的雜亂無章，當您從檢查點回調中提前退出時，歷史對象會發生什么。 好吧，您可以在 _save_model 方法中看到有一行將損失監視器數組從日志字典中拉出...但從未將其寫入文件！ 所以我只是相應地放入了kludge。 大多數人不建議像這樣使用泡菜。 我的代碼只是一個黑客所以沒關系。
看起來圖書館需要一些熱身。 這不是生產的有效解決方案，但您至少可以繼續處理其他錯誤......
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)
如果您是中國人，請確保您的工作路徑不包含中文，並將您的batch_size 更改得越來越小。謝謝！
只需使用以下命令安裝帶有 GPU 的 TensorFlow： pip install tensorflow ； 您不需要單獨安裝 GPU。 如果單獨安裝 GPU，則很可能會與它們的版本不匹配。
但是對於 1.15 及更早的版本，CPU 和 GPU 包是分開的。
我在 AWS Ubuntu 實例上為此苦苦掙扎了一段時間。
然后，我找到了解決方案，在這種情況下非常簡單。
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 )，以便它位於 conda 環境中，並在正確的環境中安裝 cudatoolkit 和 cudnn。
這對我有用，挽救了我的一天，希望它可以幫助其他人。
請參閱 learnermaxRL 的原始解決方案： https://github.com/tensorflow/tensorflow/issues/24828#issuecomment-453727142 : https://github.com/tensorflow/tensorflow/issues/24828#issuecomment-453727142
cuDNN 錯誤 無法獲得卷積算法。 這可能是因為 cuDNN 初始化失敗
[英]cuDNN Error Failed to get convolution algorithm. This is probably because cuDNN failed to initialize
無法創建 cudnn 句柄：CUDNN_STATUS_ALLOC_FAILED，無法獲得卷積算法。 這可能是因為 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 錯誤。 獲取卷積算法失敗。 這可能是因為 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：獲取卷積算法失敗。 這可能是因為 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 版本問題。 獲取卷積算法失敗。 這可能是因為 cuDNN 初始化失敗，
[英]CUDA Tensorflow Version ,nvidia-smi version issue. Failed to get convolution algorithm. This is probably because cuDNN failed to initialize,
獲取卷積算法失敗。 這可能是因為 cuDNN 初始化失敗，所以嘗試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 錯誤：無法獲得卷積算法。這可能是因為 cuDNN 初始化失敗
[英]Google Colab Error : Failed to get convolution algorithm.This is probably because cuDNN failed to initialize
CNN error Failed to get convolution algorithm.這可能是因為cuDNN初始化失敗，
[英]CNN error Failed to get convolution algorithm.This is probably because cuDNN failed to initialize,
獲取卷積算法失敗。這可能是因為cuDNN初始化失敗。[{node conv2d_1/Conv2D}]
[英]Failed to get convolution algorithm.This is probably because cuDNN failed to initialize.[{node conv2d_1/Conv2D}]
獲取卷積算法失敗。 在 Tensorflow 圖像識別中
[英]Failed to get convolution algorithm. In Tensorflow Image Recognition
聲明:本站的技術帖子網頁，遵循CC BY-SA 4.0協議，如果您需要轉載，請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.