解决方法：

1.直接上大显存显卡，当然能上就不在这了，哈哈，看下面的方法；

 2.调小batch_size，1都不行，再看看下面；

 3.在验证模型代码前面，插入with torch.no_grad():

因为在验证和测试的时候，是不需要计算梯度的。

 4.pin_memory 由true改成false，有时候很有效！亲测

pin_memory当为True，会加快训练速度；

pin_memory是锁页内存，创建DataLoader时，设置pin_memory=True，则意味着生成的Tensor数据最开始是属于内存中的锁页内存，这样将内存的Tensor转义到GPU的显存就会更快一些。

5.使用代码清理内存

import torch
torch.cuda.empty_cache()

!pip install GPUtil

import torch
from GPUtil import showUtilization as gpu_usage
from numba import cuda

def free_gpu_cache():
    print("Initial GPU Usage")
    gpu_usage()                             

    torch.cuda.empty_cache()

    cuda.select_device(0)
    cuda.close()
    cuda.select_device(0)

    print("GPU Usage after emptying the cache")
    gpu_usage()

free_gpu_cache()  

参考： 

 Solving "CUDA out of memory" Error | Data Science and Machine Learning | Kaggle

pytorch: 四种方法解决RuntimeError: CUDA out of memory. Tried to allocate ... MiB_xiyou__的博客-CSDN博客