TensorFlow和keras使用gpu需要配置什么？

在學(xué)習(xí)機(jī)器學(xué)習(xí)的時候，很多時候我們并不要求計(jì)算機(jī)有很高的單核算力，反而要求計(jì)算機(jī)有比較高的并行計(jì)算功能。這時候我們就可以使用GPU（顯卡）來幫我們運(yùn)行機(jī)器學(xué)習(xí)的代碼了。業(yè)內(nèi)比較出名的機(jī)器學(xué)習(xí)的框架有TensorFlow和Keras，那么TensorFlow使用GPU和Keras使用GPU需要設(shè)置些什么呢？閱讀這篇文章你會得到了解。

1. 訓(xùn)練運(yùn)行時候指定GPU

運(yùn)行時候加一行代碼：

CUDA_VISIBLE_DEVICES=1 python train.py

2. 運(yùn)行過程中按需或者定量分配GPU

tensorflow直接在開啟Session時候加幾行代碼就行，而Keras指定GPU，并限制按需用量和TensorFlow不太一樣，因?yàn)閗eras訓(xùn)練是封裝好的，不好對Session操作。如下是兩種對應(yīng)的操作。

keras中的操作：

import os
import tensorflow as tf
from keras.backend.tensorflow_backend import set_session
 
# 指定第一塊GPU可用 
os.environ["CUDA_VISIBLE_DEVICES"] = "0" #指定GPU的第二種方法
 
config = tf.ConfigProto()
config.gpu_options.allocator_type = 'BFC' #A "Best-fit with coalescing" algorithm, simplified from a version of dlmalloc.
config.gpu_options.per_process_gpu_memory_fraction = 0.3 #定量
config.gpu_options.allow_growth = True  #按需
set_session(tf.Session(config=config)) 

TensorFlow中的操作：

#指定GPU
import os
os.environ["CUDA_VISIBLE_DEVICES"] = "0"
 
#設(shè)置GPU定量分配
config = tf.ConfigProto() 
config.gpu_options.per_process_gpu_memory_fraction = 0.9 # 占用GPU90%的顯存 
session = tf.Session(config=config)
 
#設(shè)置GPU按需分配
config = tf.ConfigProto() 
config.gpu_options.allow_growth = True 
session = tf.Session(config=config)

補(bǔ)充：Keras以及Tensorflow強(qiáng)制使用CPU，GPU

Keras如果是使用Theano后端的話，應(yīng)該是自動不使用ＧＰＵ只是用ＣＰＵ的，啟動ＧＰＵ使用Theano內(nèi)部命令即可。

對于Tensorflow后端的Keras以及Tensorflow會自動使用可見的ＧＰＵ，而我需要其必須只運(yùn)行在ＣＰＵ上。網(wǎng)上查到三種方法，最后一種方法對我有用，但也對三種都做如下記錄：

使用tensorflow的 with tf.device('/cpu:0'):函數(shù)。簡單操作就是把所有命令都放在前面所述的域里面。

使用tensorflow聲明Session時的參數(shù)： 關(guān)于tensorflow中Session中的部分參數(shù)設(shè)置，以及Keras如何設(shè)置其調(diào)用的Tensorflow的Session，可以參見Keras設(shè)定GPU使用內(nèi)存大小(Tensorflow backend)。

對于Tensorflow，聲明Session的時候加入device_count={'gpu':0}即可，代碼如下：

import tensorflow as tf  
sess = tf.Session(config=tf.ConfigProto(device_count={'gpu':0}))

對于Keras,則調(diào)用后端函數(shù)，設(shè)置其使用如上定義的Session即可，代碼如下：

import tensorflow as tf
import keras.backend.tensorflow_backend as KTF 
KTF.set_session(tf.Session(config=tf.ConfigProto(device_count={'gpu':0})))

對于多線程以及ＧＰＵ內(nèi)存設(shè)置等可以參見Keras設(shè)定GPU使用內(nèi)存大小(Tensorflow backend)。

3、第三種是使用CUDA_VISIBLE_DEVICES命令行參數(shù)，代碼如下：

CUDA_VISIBLE_DEVICES="0" python3 train.py

以上就是TensorFlow使用GPU和keras使用GPU時需要注意的細(xì)節(jié)了，希望能給大家一個參考，也希望大家多多支持W3Cschool。