首页 文章

具有Tensorflow后端的Keras可以随意使用CPU或GPU吗？

提问于
浏览 次
67

我在Keras上安装了Tensorflow后端和CUDA . 我想有时需要强迫Keras使用CPU . 这可以在没有在虚拟环境中安装单独的CPU Tensorflow的情况下完成吗？如果是这样的话？如果后端是Theano，可以设置标志，但我还没有听说过可通过Keras访问的Tensorflow标志 .

python machine-learning tensorflow keras

6 回答

  • 17

    如果你想强迫Keras使用CPU

    方式1

    import os
os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"   # see issue #152
os.environ["CUDA_VISIBLE_DEVICES"] = ""

    在导入Keras / Tensorflow之前 .

    方式2

    运行您的脚本

    $ CUDA_VISIBLE_DEVICES="" ./your_keras_code.py

    也可以看看

    回复于
  • 15

    一个相当可分的方法是使用

    import tensorflow as tf
from keras import backend as K

num_cores = 4

if GPU:
    num_GPU = 1
    num_CPU = 1
if CPU:
    num_CPU = 1
    num_GPU = 0

config = tf.ConfigProto(intra_op_parallelism_threads=num_cores,
                        inter_op_parallelism_threads=num_cores, 
                        allow_soft_placement=True,
                        device_count = {'CPU' : num_CPU,
                                        'GPU' : num_GPU}
                       )

session = tf.Session(config=config)
K.set_session(session)

    在这里，通过 booleans GPU 和 CPU ，我们通过严格定义允许Tensorflow会话访问的GPU和CPU的数量来指示我们是否想要使用GPU或CPU运行我们的代码 . 变量 num_GPU 和 num_CPU 定义此值 . num_cores 然后通过 intra_op_parallelism_threads 和 inter_op_parallelism_threads 设置可供使用的CPU核心数 .

    intra_op_parallelism_threads 变量指示允许计算图中单个节点中的并行操作使用（内部）的线程数 . 而 inter_ops_parallelism_threads 变量定义了可在计算图（inter）的节点之间进行并行操作的线程数 .

    allow_soft_placement 允许在满足以下任何条件的情况下在CPU上运行操作：

    • 该操作没有GPU实现

    • 没有已知或已注册的GPU设备

    • 需要与来自CPU的其他输入共存

    所有这些都是在我的类的构造函数中执行任何其他操作之前，并且可以与我使用的任何模型或其他代码完全分离 .

    注意：这需要安装 tensorflow-gpu 和 cuda / cudnn ，因为该选项用于使用GPU .

    参考文献：

    回复于
  • 75

    这对我（win10）起作用，在你导入keras之前放置：

    import os
os.environ['CUDA_VISIBLE_DEVICES'] = '-1'
    回复于
  • 53

    根据keras tutorial，您可以简单地使用与常规tensorflow相同的 tf.device 范围：

    with tf.device('/gpu:0'):
    x = tf.placeholder(tf.float32, shape=(None, 20, 64))
    y = LSTM(32)(x)  # all ops in the LSTM layer will live on GPU:0

with tf.device('/cpu:0'):
    x = tf.placeholder(tf.float32, shape=(None, 20, 64))
    y = LSTM(32)(x)  # all ops in the LSTM layer will live on CPU:0
    回复于
  • 30

    只需导入tensortflow并使用keras，就这么简单 .

    import tensorflow as tf
# your code here
with tf.device('/gpu:0'):
    model.fit(X, y, epochs=20, batch_size=128, callbacks=callbacks_list)
    回复于
  • 3

    我只花了一些时间搞清楚 . 托马的答案并不完整 . 假设你的程序是 test.py ，你想使用gpu0来运行这个程序，并保持其他gpus免费 .

    你应该写 CUDA_VISIBLE_DEVICES=0 python test.py

    注意它是 DEVICES 不是 DEVICE

    回复于

相关问题