DeepFace运行报ResourceExhaustedError，MX450 GPU配置及问题求助

一、DeepFace对GPU的需求 #

DeepFace同时支持CPU和GPU运行，默认会优先调用GPU（若TensorFlow检测到可用GPU）。但GeForce MX450属于入门级移动GPU，显存通常只有2G或4G，跑DeepFace默认的大参数量模型（如VGG-Face、Facenet）时，极易因显存不足触发ResourceExhaustedError。如果用CPU运行，虽不会出现显存溢出问题，但计算速度会大幅降低。

二、解决内存分配失败的配置方案 #

1. GPU环境配置与显存优化 #

（1）确保TensorFlow GPU版正确安装

DeepFace依赖TensorFlow，需安装与CUDA版本匹配的GPU版TensorFlow（MX450支持CUDA 11.x系列）：

• 先卸载当前环境的TensorFlow：pip uninstall tensorflow
• 安装对应版本的GPU版TensorFlow，例如适配CUDA 11.2的版本：pip install tensorflow-gpu==2.8.0

（2）显存占用优化措施

• 选择轻量模型：加载模型时指定参数量更小的模型，比如DeepFace.build_model("OpenFace")，该模型显存占用远低于默认的VGG-Face。
• 启用显存按需分配：让TensorFlow根据实际需求占用显存，避免一次性占满GPU显存，代码示例：

  import tensorflow as tf
  gpus = tf.config.experimental.list_physical_devices('GPU')
  if gpus:
      try:
          for gpu in gpus:
              tf.config.experimental.set_memory_growth(gpu, True)
          print(f"检测到{len(gpus)}个物理GPU，已启用显存按需分配")
      except RuntimeError as e:
          print(e)
  

• 调小批量处理规模：如果代码中有批量处理图片的逻辑，将batch_size参数设置为更小的值（如1或2）。

2. 强制切换为CPU运行 #

若GPU显存实在无法支撑模型运行，可直接禁用GPU，强制用CPU执行：

import os
os.environ["CUDA_VISIBLE_DEVICES"] = "-1"  # 屏蔽GPU设备
from deepface import DeepFace

# 后续运行你的业务代码

三、验证GPU配置有效性 #

配置完成后，运行以下代码检查TensorFlow是否成功识别到MX450：

import tensorflow as tf
print(tf.config.list_physical_devices('GPU'))

若输出结果包含你的GeForce MX450信息，说明GPU配置生效。

内容的提问来源于stack exchange，提问作者Eric Yi