tensorflow指定CPU与GPU运算的方法实现_tensorflow怎么用gpu训练 - CSDN文库

tensorflow指定CPU与GPU运算

CPU与GPU运算

41 浏览量更新于2023-03-16 收藏 89KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源推荐

tensorflow指定指定CPU与与GPU运算的方法实现运算的方法实现

主要介绍了tensorflow指定CPU与GPU运算的方法实现,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着

小编来一起学习学习吧

1.指定指定GPU运算运算

如果安装的是GPU版本，在运行的过程中TensorFlow能够自动检测。如果检测到GPU，TensorFlow会尽可能的利用找到的第一个GPU来执行操作。

如果机器上有超过一个可用的GPU，除了第一个之外的其他的GPU默认是不参与计算的。为了让TensorFlow使用这些GPU，必须将OP明确指派给他们执行。with......device语句能够用来

指派特定的CPU或者GPU执行操作：

import tensorflow as tf

import numpy as np

with tf.Session() as sess:

with tf.device('/cpu:0'):

a = tf.placeholder(tf.int32)

b = tf.placeholder(tf.int32)

add = tf.add(a, b)

sum = sess.run(add, feed_dict={a: 3, b: 4})

print(sum)

设备的字符串标识，当前支持的设备包括以下的几种：

cpu:0 机器的第一个cpu。

gpu:0 机器的第一个gpu，如果有的话

gpu:1 机器的第二个gpu，依次类推

类似的还有tf.ConfigProto来构建一个config，在config中指定相关的GPU，并且在session中传入参数config=“自己创建的config”来指定gpu操作

其中，tf.ConfigProto函数的参数如下：

log_device_placement=True: 是否打印设备分配日志

allow_soft_placement=True: 如果指定的设备不存在，允许TF自动分配设备

import tensorflow as tf

import numpy as np

config = tf.ConfigProto(log_device_placement=True, allow_soft_placement=True)

with tf.Session(config=config) as sess:

a = tf.placeholder(tf.int32)

b = tf.placeholder(tf.int32)

add = tf.add(a, b)

sum = sess.run(add, feed_dict={a: 3, b: 4})

print(sum)

2.设置设置GPU使用资源使用资源

上文的tf.ConfigProto函数生成的config之后，还可以设置其属性来分配GPU的运算资源，如下代码就是按需分配

import tensorflow as tf

import numpy as np

config = tf.ConfigProto(log_device_placement=True, allow_soft_placement=True)

config.gpu_options.allow_growth = True

with tf.Session(config=config) as sess:

a = tf.placeholder(tf.int32)

b = tf.placeholder(tf.int32)

add = tf.add(a, b)

sum = sess.run(add, feed_dict={a: 3, b: 4})

print(sum)

使用allow_growth option，刚开始会分配少量的GPU容量，然后按需要慢慢的增加，有与不会释放内存，随意会导致内存碎片。

同样，上述的代码也可以在config创建时指定，

import tensorflow as tf

import numpy as np

gpu_options = tf.GPUOptions(allow_growth=True)

config = tf.ConfigProto(gpu_options=gpu_options)

with tf.Session(config=config) as sess:

a = tf.placeholder(tf.int32)

b = tf.placeholder(tf.int32)

add = tf.add(a, b)

sum = sess.run(add, feed_dict={a: 3, b: 4})

print(sum)

我们还可以给gpu分配固定大小的计算资源。

gpu_options = tf.GPUOptions(allow_growth=True, per_process_gpu_memory_fraction=0.5)

上述代码的含义是分配给tensorflow的GPU显存大小为：GPU的实际显存*0.5

到此这篇关于tensorflow指定CPU与GPU运算的方法实现的文章就介绍到这了,更多相关tensorflow指定CPU与GPU运算内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后

多多支持我们！

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余0页未读，立即下载

weixin_38724229

粉丝: 8
资源: 918

会员权益专享

图片转文字

全年可省5，000元立即开通

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈