首先是一些愚蠢的完整性检查问题：你的本地机器上有 GPU 吗？（您没有明确提及）。我问是因为它不能在某些笔记本电脑中的集成英特尔显卡上工作。

第二，你安装了Keras和Tensorflow，但是你安装了GPU版的Tensorflow吗？使用 Anaconda，这将通过以下命令完成：

conda install -c anaconda tensorflow-gpu 

其他需要了解的有用信息：

• 您使用什么操作系统？（我假设 Linux 例如 Ubuntu）
• 您希望显示什么 GPU 可用？
• 您可以nvidia-smi在终端中运行命令：并使用输出更新您的问题吗？

如果您安装了正确的软件包（上述方法是几种可能的方法之一），并且如果您有可用的 Nvidia-GPU，Tensorflow 通常会在启动时默认保留 GPU 的所有可用内存构建静态图。

如果您还没有，那么使用 conda 环境可能是一个好主意，它将您的模型的要求与您的系统可能已经安装的任何内容分开。看看这个关于入门的不错的小演练- 这可能是一个很好的测试，看看你的系统是否能够在 GPU 上运行模型，因为它消除了所有其他可能的问题，创建了与你的脚本无关的组件。简而言之，创建并激活一个包含 GPU 版本的 Tensowflow 的新环境，如下所示：

conda create --name gpu_test tensorflow-gpu    # creates the env and installs tf
conda activate gpu_test                        # activate the env
python test_gpu_script.py                      # run the script given below

更新

我建议在 CPU 和 GPU 上运行一个小脚本在 Tensorflow 中执行一些操作。这将排除您尝试训练的 RNN 可能没有足够内存的问题。

我为此编写了一个脚本，因此它在 CPU 和 GPU 上测试相同的操作并打印摘要。您应该能够复制粘贴代码并运行它：

import numpy as np
import tensorflow as tf
from datetime import datetime

# Choose which device you want to test on: either 'cpu' or 'gpu'
devices = ['cpu', 'gpu']

# Choose size of the matrix to be used.
# Make it bigger to see bigger benefits of parallel computation
shapes = [(50, 50), (100, 100), (500, 500), (1000, 1000)]


def compute_operations(device, shape):
    """Run a simple set of operations on a matrix of given shape on given device

    Parameters
    ----------
    device : the type of device to use, either 'cpu' or 'gpu' 
    shape : a tuple for the shape of a 2d tensor, e.g. (10, 10)

    Returns
    -------
    out : results of the operations as the time taken
    """

    # Define operations to be computed on selected device
    with tf.device(device):
        random_matrix = tf.random_uniform(shape=shape, minval=0, maxval=1)
        dot_operation = tf.matmul(random_matrix, tf.transpose(random_matrix))
        sum_operation = tf.reduce_sum(dot_operation)

    # Time the actual runtime of the operations
    start_time = datetime.now()
    with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as session:
            result = session.run(sum_operation)
    elapsed_time = datetime.now() - start_time

    return result, elapsed_time



if __name__ == '__main__':

    # Run the computations and print summary of each run
    for device in devices:
        print("--" * 20)

        for shape in shapes:
            _, time_taken = compute_operations(device, shape)

            # Print the result and also the time taken on the selected device
            print("Input shape:", shape, "using Device:", device, "took: {:.2f}".format(time_taken.seconds + time_taken.microseconds/1e6))
            #print("Computation on shape:", shape, "using Device:", device, "took:")

    print("--" * 20)

在 CPU 上运行的结果：

Computation on shape: (50, 50),       using Device: 'cpu' took: 0.04s
Computation on shape: (500, 500),     using Device: 'cpu' took: 0.05s
Computation on shape: (1000, 1000),   using Device: 'cpu' took: 0.09s
Computation on shape: (10000, 10000), using Device: 'cpu' took: 32.81s

在 GPU 上运行的结果：

Computation on shape: (50, 50),       using Device: 'gpu' took: 0.03s
Computation on shape: (500, 500),     using Device: 'gpu' took: 0.04s
Computation on shape: (1000, 1000),   using Device: 'gpu' took: 0.04s
Computation on shape: (10000, 10000), using Device: 'gpu' took: 0.05s