嗨，针对你遇到的问题，我来帮你梳理一下怎么查看TensorFlow的相关配置，同时也给你一些更安全的内存不足解决方案：

一、查看TensorFlow核心配置参数 #

你可以用以下代码轻松打印出当前TensorFlow的硬件设备、GPU配置以及内存分配相关的设置：

import tensorflow as tf

# 列出所有可见的物理设备（CPU/GPU）
print("物理设备列表：")
print(tf.config.list_physical_devices())

# 查看GPU的详细配置信息
print("\nGPU 详细配置：")
for gpu_device in tf.config.list_physical_devices('GPU'):
    print(tf.config.experimental.get_device_details(gpu_device))

# 查看内存分配器的默认配置
print("\n内存分配器相关配置：")
from tensorflow.core.protobuf.config_pb2 import ConfigProto
default_config = ConfigProto()
print(f"是否允许内存增长：{default_config.gpu_options.allow_growth}")
print(f"GPU内存占比限制：{default_config.gpu_options.per_process_gpu_memory_fraction}")

二、查看Keras会话的实时配置 #

因为你是在Keras环境下操作，还可以直接查看当前Keras会话使用的TensorFlow配置：

from keras import backend as K

print("\nKeras 当前会话配置：")
print(K.get_session().config)

三、关于BFC分配器与OOM问题的优化建议 #

你手动定义BFC分配器后出现新错误，大概率是因为Keras已经封装了TensorFlow的内存管理逻辑，手动覆盖配置容易导致冲突。这里给你两个更稳妥的OOM解决方案：

• 启用动态内存增长：让TensorFlow根据模型运行的实际需求逐步分配GPU内存，避免一次性占满显存：

  gpus = tf.config.list_physical_devices('GPU')
  if gpus:
      try:
          # 对每个GPU启用内存增长模式
          for gpu in gpus:
              tf.config.experimental.set_memory_growth(gpu, True)
          print("已启用GPU动态内存增长")
      except RuntimeError as e:
          # 内存增长必须在初始化GPU之前设置
          print(f"设置失败：{e}")
  

• 限制GPU内存使用比例：指定TensorFlow可以使用的GPU内存占比，比如限制为总显存的70%：

  gpus = tf.config.list_physical_devices('GPU')
  if gpus:
      try:
          tf.config.experimental.set_virtual_device_configuration(
              gpus[0],
              [tf.config.experimental.VirtualDeviceConfiguration(memory_limit=0.7)])
          print("已设置GPU内存使用比例为70%")
      except RuntimeError as e:
          print(f"设置失败：{e}")
  

另外，处理*(324,486,3)*尺寸的图像时，你还可以尝试以下方法降低内存占用：

• 减小批量大小（batch size）：这是最直接的内存优化手段，比如把batch_size=32改成batch_size=16甚至更小。
• 缩放图像尺寸：将图像缩放到InceptionV3的默认输入尺寸299x299，既符合模型的输入要求，也能大幅减少单张图像的内存占用。

内容的提问来源于stack exchange，提问作者Endre Moen