TensorFlow和keras使用gpu怎么配置
导读:本文共1642.5字符,通常情况下阅读需要5分钟。同时您也可以点击右侧朗读,来听本文内容。按键盘←(左) →(右) 方向键可以翻页。
摘要: 1. 训练运行时候指定GPU运行时候加一行代码:CUDA_VISIBLE_DEVICES=1pythontrain.py2. 运行过程中按需或者定量分配GPUtensorflow直接在开启Session时候加几行代码就行,而Keras指定GPU,并限制按需用量和TensorFlow不太一样,因为keras训练是封装好的,不好对Session操作。如下是两种对应的... ...
目录
(为您整理了一些要点),点击可以直达。运行时候加一行代码:
tensorflow直接在开启Session时候加几行代码就行,而Keras指定GPU,并限制按需用量和TensorFlow不太一样,因为keras训练是封装好的,不好对Session操作。如下是两种对应的操作。
补充:Keras以及Tensorflow强制使用CPU,GPU
Keras如果是使用Theano后端的话,应该是自动不使用GPU只是用CPU的,启动GPU使用Theano内部命令即可。
对于Tensorflow后端的Keras以及Tensorflow会自动使用可见的GPU,而我需要其必须只运行在CPU上。网上查到三种方法,最后一种方法对我有用,但也对三种都做如下记录:
使用tensorflow的 with tf.device('/cpu:0'):函数。简单操作就是把所有命令都放在前面所述的域里面。
使用tensorflow声明Session时的参数: 关于tensorflow中Session中的部分参数设置,以及Keras如何设置其调用的Tensorflow的Session,可以参见Keras设定GPU使用内存大小(Tensorflow backend)。
对于Tensorflow,声明Session的时候加入device_count={'gpu':0}即可,代码如下:
对于Keras,则调用后端函数,设置其使用如上定义的Session即可,代码如下:
对于多线程以及GPU内存设置等可以参见Keras设定GPU使用内存大小(Tensorflow backend)。
3、第三种是使用CUDA_VISIBLE_DEVICES命令行参数,代码如下:
TensorFlow和keras使用gpu怎么配置的详细内容,希望对您有所帮助,信息来源于网络。