运行keras时出现Could not create cudnn handle: CUDNN_STATUS_INTERNAL_ERROR的原因和解决方法

Tensorflow和Keras的关系

在正式进入这个问题之前，我们先来了解一下tensorflow和keras之间的关系，因为后面会用到这个地方的知识。

• 首先，tensorflow和keras都是深度学习框架，当你遇到上面这个问题的时候表明你至少用过两者之一。
• 其次，tensorflow相较于keras更偏向于底层，而keras封装性更好，类似于接口。
• keras是在tensorflow的基础上建立起来的,可以把keras看做tensorflow或者theano(已经停更的深度学习框架)的接口
  两者的直观关系如图：
  
• 所以说在运行keras的时候，实际上在底层还是运行tensorflow，但是keras封装性好，学习起来比较简单。

进入正题

• 原因：出现Could not create cudnn handle: CUDNN_STATUS_INTERNAL_ERROR的原因是你运行代码的电脑的显存不够导致的
  • 一般情况下，如果不加以限制，很多深度学习框架的代码在运行的时候会申请整个显存空间（即便它不需要这么多的资源，但是它申请了之后就不允许其他的程序使用），所以在这种状态下运行代码，就会出现显存不够用的问题（因为还有其他的程序或操作需要显存资源）
• 解决方法：通过编写代码，控制显存的使用就可以避免这个问题

import tensorflow as tf
config = tf.compat.v1.ConfigProto(gpu_options=tf.compat.v1.GPUOptions(allow_growth=True))
sess = tf.compat.v1.Session(config=config)
# tf.compat.v1.ConfigProto() 这是tensorflow2.0+版本的写法，这个方法的作用就是设置运行tensorflow代码的时候的一些配置，例如如何分配显存，是否打印日志等;所以它的参数都是　配置名称＝True/False(默认为False) 这种形式
# gpu_options=tf.compat.v1.GPUOptions(allow_growth=True) 限制GPU资源的使用，此处allow_growth=True是动态分配显存，需要多少，申请多少，不是一成不变、而是一直变化
# sess = tf.compat.v1.Session(config=config)　让这些配置生效

+　为什么使用tensorflow的代码能够解决keras的问题，这就可以用第一部分两者的关系来解释了，keras的底层是tensorflow