如果我理解正确，您实际上是在寻找一种将 CPU 的 RAM 用作 GPU RAM 的交换的方法。不幸的是，这并不容易完成，可能需要一些低级的工作。因此，如果您正在寻找一个简单的参数来添加到您的 keras 模型中，据我所知没有。一些选项：

• 一些较旧的tensorflow API 支持此功能（例如dynamic_rnn - 请参阅swap_memory参数）。然而，这些现在已被弃用，有利于等效的 keras 层，据我所知，它不支持此功能。理论上你可以使用兼容模式来利用它。
• 您可以预先指定每个张量将加载到哪个设备上。这不等同于交换，但您可以卸载一些计算，以便在 CPU 上定期执行。你可以用tf.device做到这一点。
• 与上述相同的想法通常应用于加载和预处理数据，这是在 CPU 上完成的，而与训练操作有关的一切都由 GPU 处理。这很方便，因为您可以在 GPU 训练模型的同时让 CPU 加载批处理。我知道这与您的要求相去甚远，因为它要求您的模型完全适合 GPU，但它适合将工作卸载到 CPU 的一般主题。tf.data.Dataset完全支持这一点。
• 使用诸如梯度检查点之类的技巧来减少模型的内存占用（以计算速度为代价）。这与将工作卸载到 CPU 没有任何关系，但它可以帮助您将模型放入内存中。