顯示卡記憶體擴充的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

全格局使用PyTorch - 深度學習和圖神經網路 - 基礎篇

為了解決顯示卡記憶體擴充的問題，作者李金洪 這樣論述：

　　深度學習擅長處理結構規則的多維資料（歐氏空間），但現實生活中，很多不規則的資料如：社群、電子商務、交通領域，多是之間的關聯資料。彼此間以龐大的節點基礎與複雜的互動關係形成了特有的圖結構（或稱拓撲結構資料），這些資料稱為「非歐氏空間資料」，並不適合用深度學習的模型去分析。   　　圖神經網路（Graph Neural Networks, GNN）是為了處理結構不規則資料而產生的，主要利用圖結構的資料，透過機器學習的方法進行擬合、預測等。   　　〇 在結構化場景中，GNN 被廣泛應用在社群網站、推薦系統、物理系統、化學分子預測、知識圖譜等領域。 　　〇 在非結構化領域，GNN 可以用在圖

型和文字等領域。 　　〇 在其他領域，還有圖生成模型和使用 GNN 來解決組合最佳化問題的場景。   　　市面上充滿 NN 的書，但卻沒有一本完整說明 GNN，倘若不快點學這個新一代的神經網路，你會用的普通神經網路馬上就會落伍了！非歐氏空間才是最貼近人類生活的世界，而要真正掌握非歐氏空間的問題解決，GNN 是你一定要學的技術，就由本書一步步帶領你完全攻略！   　　〇 使用 Graph 概念取代傳統的歐氏空間神經元 　　〇 最好用的 PyTorch + Anaconda + Jupyter 　　〇 從基礎的 CNN、RNN、GAN 開始上手神經網路 　　〇 了解基礎的啟動函數、損失函數、L1/

L2、交叉熵、Softmax 等概念 　　〇 NLP 使用神經網路處理 + 多頭注意力機制 　　〇 Few-shot/Zero-shot 的神經網路設計 　　〇 空間域的使用，使用 DGL、Networkx 　　〇 利用 GNN 進行論文分類   本書特色   　　～GNN 最強入門參考書～ 　　● 以初學者角度從零開始講解，消除讀者學習過程跳躍感 　　● 理論和程式結合，便於讀者學以致用 　　● 知識系統，逐層遞進 　　● 內容貼近技術趨勢 　　● 圖文結合，化繁為簡 　　● 在基礎原理之上，注重通用規律 　

顯示卡記憶體擴充進入發燒排行的影片

針對可擴充平行訓練的深度類神經網路之記憶體效率最佳化研究

為了解決顯示卡記憶體擴充的問題，作者辛建甫 這樣論述：

深度學習神經網路至今在各個領域中帶來了許多發展，如 GoogleNet，ResNet，DenseNet，常用於計算機視覺影像領域，如圖像分類，物件檢測等。新型的神經網絡架構比以往變得越來越複雜。大量的特徵映射占用大量的記憶體空間的使用和長時間的計算。為了減少神經網路的訓練與推論時間，深度學習採用了圖形處理器(Graphics Processing Unit, GPU)平行運算的特性進行線性代數等計算。但圖形處理器的記憶體空間非常有限。無法滿足深度學習進行訓練時的需求。本論文提出了一種改善記憶體不足的優化方式，解決深度神經網路(Deep Neural Network, DNN)模型訓練和測試過

程中大記憶體需求問題的方法。將神經網路的運算圖進行修改並實現於Tensorflow的框架中。透過節點的重新計算與記憶體空間的交換策略壓低記憶體的使用率。利用修改運算圖以保留需要的節點，並在當前未使用的特徵圖交換到主記憶體。因此可以減少設備所需的記憶體使用量。並且將調用反向傳播時所需的特徵映射檢索回設備記憶體空間。進行反向傳播運算時，可以使用運算圖形的控制器重新計算先前刪除的節點上的特徵映射，但需要額外的計算成本。我們的實驗計算機配備了 Intel CoreTM i7-6850K CPU，6 核@ 3.60GHz 和 128 GB RAM，以及 Nvidia GPU GeForce GTX 10

80和 8 GB 記憶體。結果表明，該方法將近一半的記憶體使用量（從 3000 MBytes 減少到 1700 MBytes）來訓練 ResNet-50 模型，每次迭代批量大小為 32 個圖像。成本時間僅略有增加（從 0.53 秒到 0.60 秒）。因此，所提出的方法克服了用於訓練 ResNet-200 模型的“記憶體不足”的問題。可以有用解決圖形顯示卡上記憶體不足的問題。

極詳細+超深入：最新版TensorFlow 1.x/2.x完整工程實作

為了解決顯示卡記憶體擴充的問題，作者李金洪 這樣論述：

TensorFlow 是目前使用最廣泛的機器學習架構，滿足了廣大使用者的需求。如今TensorFlow 已經更新到2.x 版本，具有更強的便利性。 本書透過大量的實例說明在TensorFlow 架構上實現人工智慧的技術，相容TensorFlow 1.x 與TensorFlow 2.x 版本，覆蓋多種開發場景。 　　◎ 詳盡闡述tensorflow 1.x/2.x完整內容 　　◎ 75個實作專案，包含最接近工業 / 商業用的典範    　　◎ 由淺入深的完整解說，徹底體會TensorFlow之美 　　史上強大的AI框架Tensorflow 2.X版終於出來了。 　　在綜合PyTorch

的動態圖架構和併入高階API Keras之後，Tensorflow又重回AI框架最炙手可熱的明星之一。 　　本書是針對已經有Tensorflow基礎的讀者，幫助讀者具備基礎的深度學習知識之後，更強化自身的功力。不再拘泥於簡單的CNN、MNIST、RNN等太基礎的內容。 　　全書重點包括： 　　► 75個工業及商用專案的完整實作 　　►在Windows/Linux下安裝Anaconda及GPU、CUDNN的完整介紹 　　►大量Transfer Learning的預載入模型說明 　　►Tensorflow的專屬資料集格式 　　►TF-Hub retrain或是fine-tune完整的預載入模型

　　►利用tf.estimator及tf.keras訓練模型的完整過程 　　►用Tensorflow做離散及連續資料的特徵工程 　　►不再只是單純的CNN，用膠囊網路做更準確的圖形辨識 　　►不只RNN，還有GRU及Attention機制、SRU、QRNN及Transformer機制 　　►自己動手做YOLOV3 Darknet 　　►最完整的Normalization說明，包括Batch Norm、Switchable Norm 　　►GAN大全，包括DeblurGAN及AttGAN 　　►CS612照片加工的AI基礎 　　►製作Tensorflow的模型完整說明 　　►在樹莓派、iPho

ne、Android上佈署Tensorflow的模型 本書特色 　　1. 相容TensorFlow 1.x 與2.x 版本，提供了大量的程式設計經驗 　　兼顧TensorFlow 1.x 與2.x 兩個版本，列出了如何將TensorFlow 1.x 程式升級為TensorFlow 2.x 可用的程式。 　　2. 覆蓋TensorFlow 的大量介面 　　由於TensorFlow 的程式反覆運算速度太快，有些介面的搭配文件並不是很全。作者花了大量的時間與精力，對一些實用介面的使用方法進行摸索與整理，並將這些方法寫到書中。 　　3. 提供高度可重用程式，公開了大量的商用程式片段 　　本書實

例中的程式大多都來自程式醫生工作室的商業專案，這些程式的便利性、穩定性、再使用性都很強。讀者可以將這些程式分析出來直接用在自己的專案中，加快開發進度。 　　4. 書中的實戰案例可應用於真實場景 　　書中大部分實例都是目前應用非常廣泛的通用工作，包含圖片分類、目標識別、像素分割、文字分類、語音合成等多個方向。讀者可以在書中介紹的模型的基礎上，利用自己的業務資料集快速實現AI 功能。 　　5. 從專案角度出發，覆蓋專案開發全場景 　　本書以專案實作為目標，全面覆蓋開發實際AI 專案中所有關的知識，並全部配有實例，包含開發資料集、訓練模型、特徵工程、開發模型、保護模型檔案、模型防禦、服務端和終端

的模型部署。其中，特徵工程部分全面說明了TensorFlow 中的特徵列介面。該介面可以使資料在特徵處理階段就以圖的方式進行加工，進一步確保在訓練場景下和使用場景下模型的輸入統一。 　　6. 提供大量前端論文連結位址，便於讀者進一步深入學習 　　本書使用的AI 模型，大多來自前端的技術論文，並在原有論文基礎上做了一些結構改進。這些實例具有很高的科學研究價值。讀者可以根據書中提供的論文連結位址，進一步深入學習更多的前端知識，再配合本書的實例進行充分了解，達到融會貫通。本書也可以幫助AI 研究者進行學術研究。 　　7. 注重方法與經驗的傳授 　　本書在說明知識時，更注重傳授方法與經驗。全書共有

幾十個「提示」標籤，其中的內容都是功力很高的成功經驗分享與易錯事項歸納，有關於經驗技巧的，也有關於風險避開的，可以幫助讀者在學習的路途上披荊斬棘，快速進步。