tf.config.list_physical_devices('GPU')仅列出GPU设备，不显示显存占用；需用tf.config.experimental.get_memory_info()（TF 2.10+）或nvidia-smi获取实时显存用量。
tf.config.list_physical_devices('GPU') 能看到显卡但看不到显存用量
这个函数只返回设备列表，不提供实时显存占用。很多人误以为它能查显存，结果发现 tf.config.list_physical_devices('GPU') 返回 [PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')] 就以为“模型已加载成功”，其实模型可能根本没进显存，或者显存已被其他进程占满导致分配失败。
真正要看显存，得靠底层驱动接口或 TensorFlow 自身的内存统计机制：
- 训练中用
tf.test.is_gpu_available()只是检查可用性，不反映当前占用 - 显存实际使用量必须通过
nvidia-smi命令行、py3nvml库，或 TF 2.10+ 的tf.config.experimental.get_memory_info() - 注意：TF 默认启用内存增长（
memory_growth=True），显存是按需分配的，刚创建模型时可能只占几十 MB，跑一次model.predict()后才暴涨
tf.config.experimental.get_memory_info() 是最直接的 Python 内置方案
TensorFlow 2.10 开始支持该接口，能获取 GPU 显存的当前用量和峰值用量，单位是字节，无需额外依赖。但它只对当前默认 GPU 生效，且要求显存策略已启用。
实操前先确保配置正确：
- 在
import tensorflow as tf后立即设置内存增长：gpus = tf.config.list_physical_devices('GPU') if gpus: for gpu in gpus: tf.config.experimental.set_memory_growth(gpu, True) - 调用前至少触发一次 GPU 计算（比如
tf.constant([1.0]).gpu()或跑一个 dummy forward），否则返回的'current'可能为 0 - 示例获取方式：
info = tf.config.experimental.get_memory_info('GPU:0') print(f"当前显存: {info['current'] / 1024**3:.2f} GB") print(f"历史峰值: {info['peak'] / 1024**3:.2f} GB")
nvidia-smi -q -d MEMORY 输出稳定但延迟高，适合调试阶段
这是绕过 TF、直接读取 NVIDIA 驱动层数据的方式，结果最真实，但无法精确到单个 Python 进程——它显示的是整个 GPU 设备的显存占用，包括其他用户、docker 容器或后台服务。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
常用命令组合：
- 实时刷新查看：
nvidia-smi --query-gpu=memory.used,memory.total --format=csv,noheader,nounits - 解析成 Python 变量（推荐用
subprocess）：import subprocess result = subprocess.check_output(['nvidia-smi', '--query-gpu=memory.used', '--format=csv,noheader,nounits']).decode().strip() used_mb = int(result)
- 注意：
nvidia-smi默认每秒刷新一次，频繁调用会拖慢训练；生产环境建议每 5–10 秒采样一次
模型加载后显存突增却报 OOM？重点检查 batch_size 和 input_shape
显存爆炸往往不是模型本身参数量导致的，而是动态计算图中中间张量尺寸失控。尤其在自定义训练循环或使用 tf.function 时，静态图优化可能意外缓存大尺寸 tensor。
排查要点：
- 确认
batch_size是否远超显存容量（例如 V100 32G 上跑batch_size=64的 ViT-Base 图像输入，input_shape=(224,224,3)就容易炸） - 检查
model.input_shape是否含None，TF 会按最大可能尺寸预分配显存（如(None, 512, 512, 3)） - 用
tf.config.experimental.reset_memory_stats('GPU:0')在关键节点重置峰值统计，定位哪步导致突增 - 启用
tf.debugging.enable_dump_debug_info()并配合tensorboard --logdir=...查看内存热力图（仅 TF 2.12+）
显存监控不是一劳永逸的事——同一个模型在不同 TF 版本、CUDA 版本、甚至不同 batch 数据内容下，显存行为都可能差异很大。最稳妥的做法是把 get_memory_info() 和周期性 nvidia-smi 采样结合使用，并在每次修改 @tf.function 或数据预处理逻辑后重新压测。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
