代码为：

a = tf.ones([3, 2])
b = tf.fill([2, 3], 3.)
print(tf.matmul(a, b))

在网上搜下了，发现这是由于显存的问题导致的，因为默认情况下在代码中使用GPU时，有把内存占满的趋势；即使有时候计算的数据量并不足以占用整个GPU。

我们可以将GPU设置为memory_growth模式，即运行时初始化将不会在设备上分配所有显存，需要多少显存就用多少显存，实现方法如下：

physical_devices = tf.config.list_physical_devices('GPU')
tf.config.experimental.set_memory_growth(physical_devices[0], True)

如果有多个GPU：

physical_devices = tf.config.list_physical_devices('GPU')
for physical_device in physical_devices:
    tf.config.experimental.set_memory_growth(physical_device, True)

完整代码（成功运行）：

import tensorflow as tf

physical_devices = tf.config.list_physical_devices('GPU')
tf.config.experimental.set_memory_growth(physical_devices[0], True)

a = tf.ones([3, 2])
b = tf.fill([2, 3], 3.)
print(tf.matmul(a, b))

最后，更优雅的方式：

Tensorflow2.1 -> 2.3，解决！

pip install --upgrade tensorflow -i https://pypi.org/simple

为什么要加 -i https://pypi.org/simple，因为清华源在我这直接速度是kb级且才开始下一会儿就提示超时，所以：

pip config set global.index-url https://pypi.org/simple

不过还是备注一下，清华源：https://pypi.tuna.tsinghua.edu.cn/simple

参考链接：

1. https://blog.csdn.net/qq_39507748/article/details/104273521
2. https://www.tensorflow.org/api_docs/python/tf/config/experimental/set_memory_growth