成功解决Windows MemoryError: Unable to allocate 6.38 GiB for an array with shape (38

最新推荐文章于 2024-12-26 15:32:48 发布
原创 最新推荐文章于 2024-12-26 15:32:48 发布 · 5.7w 阅读 · 110 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#python

本文介绍了解决因磁盘分配内存不足导致文件运行失败的方法。通过调整E盘的虚拟内存大小，从默认状态更改为自定义大小，将分配内存设置为6GB(6144kb)，成功解决了运行文件时遇到的问题。

因为运行文件所在的磁盘分配内存不够问题造成的，解决方法如下：打开我的电脑-右键属性-高级-性能设置-选择高级-更改-点击E盘-点击自定义大小-设置分配内存，我选择6G,6144kb.点击确定完成，再次运行文件，问题解决！

 

 

 

numpy.core._exceptions.MemoryError: Unable to allocate 1.45 GiB for an array with shape (13935, 1393
weixin_46713695的博客
04-13 7363
numpy.core._exceptions.MemoryError: Unable to allocate 1.45 GiB for an array with shape (13935, 1393
numpy.core._exceptions.MemoryError: Unable to allocate 27.0 GiB for an array with shape (38064, 3806
weixin_46713695的博客
11-07 2776
numpy.core._exceptions.MemoryError: Unable to allocate 27.0 GiB for an array with shape (38064, 3806
python--MemoryError: Unable to allocate array with shape
天青如水的博客
12-17 2万+
系统环境 Ubuntu 16.04.6 LTS（子系统） Python 3.7.3 报错原因 np.zeros((5684, 15074, 84),dtype=‘float32’) MemoryError: Unable to allocate array with shape (5684, 15074, 84) and data type float32 触发了系统的过量处理模式（ove...
成功解决Unable to allocate xxx MiB for an array with shape (xxxx, xxxx)
yxx35AN的博客
12-02 1万+
Unable to allocate xxx MiB for an array with shape (xxxx, xxxx)
Unable to allocate xxx GiB for an array with shape (xxxx, xxxx)
热门推荐
CoolCoolCarrot的博客
04-13 12万+
今天用Pycharm跑代码的时候报了个错误：Unable to allocate 14.1GiB for an array with shape (xxxx, xxxx)，主要是进行矩阵运算时涉及的矩阵太大了，导致分配的内存不够用，网上搜索了一些方法，最后成功解决。 由于是用实验室服务器跑的代码，首先是确定服务器上的内存确实够用，使用命令free查看内存分配情况： 可以看出，未使用...
问题：Unable to allocate 6.12 GiB for an array with shape (312, 50, 13, 90, 90) and data type float32
chifandiyi的博客
01-16 1430
运行python脚本报错Unable to allocate 6.12 GiB for an array with shape (312, 50, 13, 90, 90) and data type float32。解决方法:1.此电脑——属性——高级系统设置 2.高级系统设置——设置 3.高级——更改虚拟内存。
numpy.core._exceptions.MemoryError: Unable to allocate 512. KiB for an array with shape (65536,)
weixin_46713695的博客
03-30 1937
numpy.core._exceptions.MemoryError
解决numpy.core._exceptions.MemoryError: Unable to allocate 1.04 MiB for an array
与君共勉，一起学习
06-06 7万+
报错 numpy.core._exceptions.MemoryError: Unable to allocate 1.04 MiB for an array with shape (370, 370) and data type float64 原因 最主要的还是电脑内存不足，因为需要处理的数据量太大，GPU性能不够，存在内存溢出现象 但实际上它保存的不是模型文件，而是参数文件文件。在模型文件中，存储完整的模型，而在状态文件中，仅存储参数。因此，collections.OrderedDict只是模型的值
MemoryError: Unable to allocate 14.5 GiB for an array with shape (500, 243712, 8) and data type comp
Alan的博客
05-23 8487
MemoryError: Unable to allocate 14.5 GiB for an array with shape (500, 243712, 8) and data type complex128 系统报错,不能分配这么大的内存 解决办法： 更改电脑虚拟内存 右键计算机->属性->高级系统设置->高级 选项卡->性能 中点设置->高级->虚拟内存 点更改->选择非系统盘->自定义大小->设置初始大小和最大值(建议为物理内存的1.5倍)-&
MemoryError: Unable to allocate xxx KiB for an array with shape (50000,624) and data type float64
m0_47196870的博客
08-05 817
之前代码一直都没有问题，字面意思是内存不足，于是直接修改运行内存。快速双击shift，然后输入vm，找到。打开后发现已经分配了12.8G运行内存（共16G），改成16G后再运行依然报错。pycharm版本：2021.1.3 Community。默认勾选第二个，太久没清缓存了，这里全选。解决过一个问题（具体问题忘了。弄了半天，突然想起之前通过。
Unable to allocate 214. MiB for an array with shape (8000, 14000) and data type uint16
weixin_52107576的博客
05-09 505
numpy.core._exceptions.MemoryError: Unable to allocate 214. MiB for an array with shape (8000, 14000) and data type uint16 问题：系统内存溢出 建议：购买系统内存更大的计算机，或优化程序。
MemoryError: Unable to allocate 6.73 GiB for an array with shape (3000, 3, 448, 448) and data type
qq_40214464的博客
06-18 9538
问题原因：内存过载， 现象描述：当时是使用TensorFlow2.0-gpu训练数据，当模型训练时批次过大，就会报以上错误。显卡是RTX 2060 6g 我当时就在想，我的di
Pycharm报错MemoryError: Unable to allocate 927. MiB for an array with shape (25487, 685, 9) and data t
weixin_46626422的博客
05-04 8512
Pycharm报错MemoryError: Unable to allocate 927. MiB for an array with shape (25487, 685, 9) and data type 用pandas导入了1个g大小的csv，结果报错MemoryError： 用了网上的方法都没什么效果，最后发现是自己代码的问题哈哈 网上的方法： 1、修改pycharm的运行内存 （Help->Find Action->(type “VM Options”)->(Click)"Edit
【MemoryError】Unable to allocate xx MiB for an array with shape (10000, 32) and data type float64
weixin_43821215的博客
08-03 9288
2】在打开的面板中依次打开“高级系统设置”—“高级”选项卡—“设置”—“高级”选项卡—“更改”，就进入了虚拟内存的设置界面。【3】将“自动管理所有驱动器的分页文件大小”选项前的方框里的勾取消，选择一个盘符（尽量是非系统盘），选择自定义大小。这里我一开始分配的3072，有点小，还不够，又分的4096就可以了。这个就是非配得内存空间不够了，修改windows虚拟内存。【4】修改完成后重启就可以了。......
机器学习碰到MemoryError: Unable to allocate1.5 . MiB for an array with shape解决办法
ZER_xy的博客
03-16 2万+
详细代码如下 # 训练集 train_gen = train_val_generator( data_dir='../train', target_size=(64, 64), batch_size=32, class_model='categorical', subset='training' ) # 验证集 val_gen = train_val_generator( data_dir='../test', target_size=(64, 64
报错解决：numpy.core._exceptions.MemoryError: Unable to allocate 11.7 GiB for an array with shape....
weixin_43982801的博客
12-26 894
我也很纳闷，因为有时候处理比这大的数据都没有问题。搜了搜，说是运行文件所在的磁盘分配内存不够导致的，解决方法是：边栏搜索高级系统设置---高级---性能里的设置---高级---更改驱动分页。经过验证，是可行的，我把我的分页拉到了70000MB，能够解决这个问题，当然感觉太大了也没必要，另外需要注意的是，在改完分页大小之后，记得点击设置，不然不算，然后再重启。今天在处理数据时遇到了这个问题，
深度学习解决Unable to allocate 33.6 GiB for an array with shape (60000, 224, 224, 3) and data type float32
wang_jiezeng的专栏
03-23 8181
深度学习时，如何最大限度发挥本机潜力，解决卡机问题?
Unable to allocate 309. GiB for an array with shape (203769, 203769)
qq_36321330的博客
03-14 2550
问题描述 在Ubuntu20.04运行GCN时，使用pandas加载数据，出现如上错误 解决方法 首先使用如下命令查看是否是0 cat /proc/sys/vm/overcommit_memory 如果是0的话，使用如下命令，将其改为1（如果是1的话，我也不知道咋办） sudo -i echo 1 > /proc/sys/vm/overcommit_memory 再次运行，错误消失 ...
MemoryError: Unable to allocate 14.5 GiB for an array with shape
最新发布
12-27
### Python 中处理 `MemoryError` 的解决方案 当尝试创建大型 NumPy 数组时，如果可用物理内存不足以容纳该数组，则会抛出 `numpy.core._exceptions.MemoryError` 错误[^1]。对于需要大量内存的操作，可以考虑以下几种方法来解决问题。 #### 使用更高效的数据类型 通过改变数据类型的精度，可以在一定程度上减少所需的内存量。例如，将默认的 `float64` 更改为 `float32` 或者更低精度的数据类型能够节省一半以上的空间： ```python import numpy as np # 创建一个较小尺寸但占用较少内存的浮点数数组 array = np.ones((39547, 39547), dtype=np.float32) ``` #### 利用稀疏矩阵表示法 许多实际应用中的大矩阵往往是高度稀疏的（即大部分元素都是零）。此时应该采用专门设计用于存储和操作这类结构化数据的方式——SciPy 库提供了多种稀疏矩阵格式的支持，比如 CSR、CSC 和 COO 等形式： ```python from scipy import sparse # 构建一个非常大的稀疏随机矩阵 matrix_size = (39547, 39547) density = 0.01 # 假设只有大约1%是非零项 sparse_matrix = sparse.random(matrix_size[0], matrix_size[1], density=density, format='csr') ``` #### 数据分块读取与处理 为了避免一次性加载整个文件到内存中造成溢出的情况发生，建议按照一定大小划分成多个子集逐步完成计算任务；这不仅有助于缓解瞬时间消耗过多资源的压力，而且还可以充分利用磁盘缓存机制提高效率: ```python chunksize = 10 ** 6 # 定义每批次处理记录条目的数量 for chunk in pd.read_csv('large_dataset.csv', chunksize=chunksize): process(chunk) # 对当前片段执行所需逻辑运算 ``` #### 升级硬件配置或利用分布式计算平台 有时即使优化了程序内部实现细节也无法完全规避此问题的发生，特别是面对海量规模级别的输入输出场景下更是如此。这时就需要借助外部力量来进行辅助支持了，具体措施包括但不限于增加服务器端 RAM 容量或是迁移到具备更强算力特性的云计算服务提供商那里去部署应用程序[^2]。
评论 15
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值