爆显存：RuntimeError: CUDA out of memory. Tried to allocate 5.66 GiB (GPU 0； 12.00 GiB total capacity； 2_tried to allocate 5.68 gib (gpu 0; 23.99 gib total

报错：RuntimeError: CUDA out of memory. Tried to allocate 5.66 GiB (GPU 0; 12.00 GiB total capacity; 2.88 GiB already allocated; 1.68 GiB free; 8.22 GiB reserved in total by PyTorch)

这个错误提示表明在进行CUDA操作时，显存不足。你的GPU有12.00 GiB的总容量，但已经有2.88 GiB的显存被使用了，剩余1.68 GiB是可用的，而PyTorch总共预留了8.22 GiB的显存。

首先，最实在的解决办法吧：

租服务器，很多平台支持云计算、云GPU等等，建议用这个方法去解决显存不够的问题。

其次，你可以考虑以下几种方法：

1、减少批次大小（Batch Size）：减少每次训练或推理时的批次大小，以降低显存的需求。较小的批次大小可能会增加训练时间，但可以减少显存压力。

2、减少模型大小：如果你使用的是大型模型，可以尝试减少模型的大小，以减少显存使用量。这可以通过减少网络层数、减少隐藏单元数量或使用更小的嵌入向量等方式实现。

使用更低精度的数据类型：将模型参数和激活值从32位浮点数（float32）转换为16位浮点数（float16），可以减少显存的使用。在PyTorch中，你可以使用.half()方法将模型转换为使用半精度浮点数。

3、清理显存：在每个训练迭代或推理之后，通过调用torch.cuda.empty_cache()清理未使用的显存碎片。这样可以释放一些显存，但可能会略微增加训练时间。

4、使用多卡训练：如果你有多个GPU可用，可以尝试使用多卡训练。这样可以将模型的不同部分分配到不同的GPU上，从而减少单个GPU上的显存需求。

5、升级GPU：如果你经常遇到显存不足的问题，考虑升级到具有更大显存容量的GPU。

6、如果你的内存条比较强，小demo可以牺牲时间换显存，将任务放在cpu上面执行， 但是时间成本是极大的开销，倘若是一个项目，不建议这样去做。