我試圖在運行ami-b141a2f5（Theano-CUDA 7）映像的Amazon羣集上執行logistic_sgd.py代碼。在亞馬遜羣集上使用Theano來使用VRAM
而不是包含的MNIST數據庫我使用SD19數據庫，它需要更改幾個維度常量，但否則沒有代碼已被觸及。該代碼運行正常在本地，我的CPU上，但一旦我的代碼和數據SSH連接到Amazon集羣並運行它那裏，我得到這樣的輸出： 
就像是跑出來的VRAM在我看來，但我的理解是，代碼應該已經在GPU上運行，沒有任何必要的修補。按照錯誤消息中的建議，錯誤仍然存在。
這裏沒有什麼特別的奇怪。錯誤信息幾乎肯定是準確的：VRAM確實不夠。通常情況下，一個腳本在CPU上運行良好，但在GPU上這樣失敗的原因通常是因爲系統內存通常比GPU內存多得多，特別是因爲系統內存是虛擬化的（並且可以在需要時將頁面傳出到磁盤），而GPU記憶不是。
對於這個腳本，需要有足夠的內存來存儲訓練，驗證和測試數據集，模型參數和足夠的工作空間來存儲計算的中間結果。有兩種選擇：
減少這三個組件中的一個或多個所需的內存量。減少培訓數據的數量通常是最簡單的;減小模型的尺寸。不幸的是，這兩種選擇都會影響正在尋找的結果的質量。減少中間結果所需的內存數量通常超出了開發人員的控制範圍 - 由Theano管理，但是一旦對Theano的內部結構有了很好的理解，有時可以通過改變計算來實現這一目標。
如果模型參數和工作內存可以適應GPU內存，那麼最常見的解決方案是更改代碼，以便數據不再存儲在GPU內存中（即將其存儲爲numpy數組，而不是像Theano共享變量），然後將每批數據傳遞爲inputs而不是givens。 LSTM sample code就是這種方法的一個例子。