Keras Tensorflow：对多个gpus的预测-Java 学习之路

我正在使用带有张量流的Keras作为后端 . 我有一个编译/训练模型 .

我的预测循环很慢，所以我想找到一种方法来并行化 predict_proba 调用以加快速度 . 我想获取批次（数据）列表，然后根据可用的gpu，在这些批次的子集上运行 model.predict_proba() .
实质上：

data = [ batch_0, batch_1, ... , batch_N ]
on gpu_0 => return predict_proba(batch_0)
on gpu_1 => return predict_proba(batch_1)
...
on gpu_N => return predict_proba(batch_N)

我知道在纯Tensorflow中可以将ops分配给给定的gpu（https://www.tensorflow.org/tutorials/using_gpu） . 但是，我没有使用Keras的api Build /编译/训练我的模型 .

我曾经想过，也许我只需要使用python的多处理模块，并为每个运行 predict_proba(batch_n) 的gpu启动一个进程 . 我知道这在理论上是可能的，因为我的另一个SO帖子：Keras + Tensorflow and Multiprocessing in Python . 然而，这仍然让我陷入两难境地：不知道如何实际操作这个过程 .

我的问题归结为：当使用Tensorflow作为Keras的后端时，如何将Keras中的一个模型的预测与多个gpus并行化？

另外，我很好奇是否只有一个gpu可以进行类似的预测并行化 .

高级描述或代码示例将不胜感激！

谢谢！

2 回答

4

我创建了一个简单的例子来展示如何跨多个gpus运行keras模型 . 基本上，创建了多个进程，每个进程都拥有一个gpu . 要指定进程中的gpu id，设置env变量CUDA_VISIBLE_DEVICES是一种非常简单的方法（os.environ [“CUDA_VISIBLE_DEVICES”]） . 希望这个git repo可以帮到你 .

https://github.com/yuanyuanli85/Keras-Multiple-Process-Prediction

回复于 2024-04-23T17:53:14+08:00

您可以使用此功能来并行化Keras模型（信用到kuza55） .
https://github.com/kuza55/keras-extras/blob/master/utils/multi_gpu.py
.

from keras.layers import merge
from keras.layers.core import Lambda
from keras.models import Model

import tensorflow as tf

def make_parallel(model, gpu_count):
    def get_slice(data, idx, parts):
        shape = tf.shape(data)
        size = tf.concat([ shape[:1] // parts, shape[1:] ],axis=0)
        stride = tf.concat([ shape[:1] // parts, shape[1:]*0 ],axis=0)
        start = stride * idx
        return tf.slice(data, start, size)

    outputs_all = []
    for i in range(len(model.outputs)):
        outputs_all.append([])

    #Place a copy of the model on each GPU, each getting a slice of the batch
    for i in range(gpu_count):
        with tf.device('/gpu:%d' % i):
            with tf.name_scope('tower_%d' % i) as scope:

                inputs = []
                #Slice each input into a piece for processing on this GPU
                for x in model.inputs:
                    input_shape = tuple(x.get_shape().as_list())[1:]
                    slice_n = Lambda(get_slice, output_shape=input_shape, arguments={'idx':i,'parts':gpu_count})(x)
                    inputs.append(slice_n)                

                outputs = model(inputs)

                if not isinstance(outputs, list):
                    outputs = [outputs]

                #Save all the outputs for merging back together later
                for l in range(len(outputs)):
                    outputs_all[l].append(outputs[l])

    # merge outputs on CPU
    with tf.device('/cpu:0'):
        merged = []
        for outputs in outputs_all:
            merged.append(merge(outputs, mode='concat', concat_axis=0))

        return Model(input=model.inputs, output=merged)

回复于 2024-04-23T17:53:14+08:00

Keras Tensorflow：对多个gpus的预测

2 回答

相关问题