我尝试在我的本地cpu上训练我的tensorflow模型并使用AWS（gpu），两次都遇到了ResourceExhaustedError。每个变量似乎占用2GB的空间，这对我来说似乎过多。优化行
会抛出错误trainer_dis = tf.train.AdamOptimizer(learning_rate = 1e-4).minimize(dis_loss, var_list = d_vars)
我不确定我的代码是否有问题，或者我用来训练的两台机器的计算能力是否足够。如果需要更多信息，我将我的代码链接到下面的github中。
我的代码功能类似于典型的GAN。具体而言，生成器接收文本输入，该输入用于使用GLoVe嵌入来创建固定长度的向量。然后我将其连接到相同大小的噪声矢量，然后使用传统的完全连接的神经网络进行上采样，然后使用一些反卷积层来创建图像。鉴别器将图像和文本嵌入作为输入，并使用完全连接的层对文本嵌入进行上采样。在将图像和文本嵌入连接到通道（第3个）维度之后，它通过典型的卷积网络运行连接张量，以返回概率分数，该分数对应于图像是真实的还是假的。
当上采样完全连接层传递到最小化操作时，将抛出OOM错误。
W0 = tf.get_variable('dis11', shape = (init_embedding.shape[1], 76800), dtype = tf.float32, initializer = tf.truncated_normal_initializer)
B0 = tf.get_variable('dis2', shape = (76800,), dtype = tf.float32, initializer = tf.constant_initializer(0.0))
Y0 = tf.nn.relu(tf.add(tf.matmul(init_embedding, W0), B0))
我在网上看到这个错误可能是由批量大的问题引起的。然而，由于我使用随机梯度下降（批量大小= 1图像/字幕对）进行训练，因此对我来说情况并非如此。
非常感谢任何帮助！