Tensorflow训练崩溃超过系统内存的10%，尽管训练批大小为1

对于Tensorflow训练过程中遇到内存崩溃的问题，可以考虑以下几个方面的解决办法：

1. 算法优化：尝试减小模型复杂度，如减少神经网络的层数或神经元数量，或使用更轻量级的模型。可以尝试使用一些轻量级的模型架构，例如MobileNet或SqueezeNet等。此外，还可以使用一些压缩方法，如剪枝、量化等，以减小模型的内存占用。
2. 批处理大小调整：根据系统内存的限制，调整训练时的批处理大小。将批处理大小设置为一个较小的值，可以减少每次训练时需要的内存量。虽然批处理大小为1可以降低内存需求，但可能会导致训练过程中收敛速度较慢。
3. 分布式训练：使用分布式训练可以将模型训练过程分解为多个部分，分别在不同的设备或计算节点上进行训练。这样可以减小单个设备的内存占用，并提高整体训练速度。腾讯云提供了分布式训练的解决方案，例如弹性AI训练（Elastic AI Training）。
4. 内存优化：对于已经优化过的模型，可以通过一些技术手段来减小训练过程中的内存占用。例如，使用TensorFlow的内存管理工具（如tf.data.Dataset和tf.distribute.Strategy）来减少内存碎片，或者使用TensorFlow的优化器和缓存机制来减少内存占用。此外，还可以考虑使用GPU进行训练，因为GPU通常具有更大的内存容量。
5. 资源调整：增加系统内存资源，例如在云服务器上选择配置更高的实例类型或增加内存容量。腾讯云提供了多种实例类型和规格可供选择，可以根据实际需求进行调整。

总结：对于Tensorflow训练过程中内存超限的问题，可以通过算法优化、批处理大小调整、分布式训练、内存优化和资源调整等方法来解决。具体的解决方案可以根据实际情况和需求进行选择和调整。腾讯云提供了一系列的产品和解决方案，例如弹性AI训练，可供用户选择和使用。