深度学习训练模型时，GPU显存不够怎么办？

当GPU显存不够时，可以采取以下几种方法：

1. 减少batch size：减少每次训练时输入的数据量，从而减少显存的占用。

2. 减少模型参数：可以通过减少模型的层数或者每层的神经元数量来减少模型的参数量，从而减少显存的占用。

3. 使用更小的模型：可以使用一些轻量级的模型，如MobileNet、ShuffleNet等，这些模型参数量较小，显存占用也较小。

4. 使用分布式训练：可以将模型参数分布在多个GPU上进行训练，从而减少单个GPU的显存占用。

5. 使用混合精度训练：可以使用半精度浮点数进行训练，从而减少显存的占用。但需要注意的是，使用混合精度训练可能会影响模型的精度。

6. 增加GPU显存：可以增加GPU显存，但这需要更换显卡或者增加显存条，成本较高。