（看这篇就够了）keras使用GPU加速运算

最新推荐文章于 2025-03-15 17:56:40 发布
最新推荐文章于 2025-03-15 17:56:40 发布
阅读量4w 收藏 169
点赞数 32
分类专栏： 深度学习 文章标签： keras GPU 教程 CUDA cuDNN GPU运算
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/fun_always/article/details/103357840
版权

最近有机会蹭组里的图形工作站跑DNN，想着终于有机会感受一下GPU的速度，结果网上一看全是细节性的教程，对小白十分不友好。经过一下午的鼓捣，踩了一些坑，最后终于弄好了，在这里全面的记录一下经过，大部分人按这个步骤走应该都能no error。

总述

keras使用CPU和GPU运算没有任何的语法差别，它能自动地判断能不能使用GPU运算，能的话就用GPU，不能则CPU。你只需要在代码开头加上下面这一句就行了，“0”指的是GPU编号，在cmd窗口输入nvidia-smi命令即可查看可用的GPU。

os.environ["CUDA_VISIBLE_DEVICES"]="0"

好，相信大部分人此时运行都会报错，这是因为你没有配置好支持GPU运算的环境，因此想要使用GPU加速运算的主要任务就是配环境！！总的来说，需要配置以下几大部分：

1.tensorflow-gpu

2.适合版本的nvidia驱动、CUDA、cuDNN

没错，就是这么简单，只要你把上面的四个东西装好了，你的神经网络模型就能在GPU上跑起来了，而其中的关键点就是：版本契合！下面我们分开来讲

写本文时我的环境配置：

tensorflow-gpu：2.0
keras：2.3
nvidia driver:441.41
CUDA:10.0
cuDNN:7.6.4 for CUDA 10.9

Tensorflow-gpu

众所周知，ke

最低0.47元/天 解锁文章
Tensorflow 2.x(keras)源码详解之第十六章：分布式部署（如何使用GPU）
weixin_43178406的博客
07-07 1万+
本文主要介绍了Tensorflow 2.x(keras)源码详解之第十六章：分布式部署（如何使用GPU），希望能对学习TensorFlow 2的同学有所帮助。 文章目录 1. 分布式训练前言 2. 指定使用cpu 3. 使用多块GPU 4. 限制GPU内存 5. 单块GPU模拟多GPU并行
已安装tensorflow-gpu,但keras无法使用GPU加速的解决
12-20
问题 我们使用anoconda创建envs环境下的Tensorflow-gpu版的，但是当我们在Pycharm设置里的工程中安装Keras后，发现调用keras无法使用gpu进行加速，且使用的是cpu在运算，这就违背了我们安装Tensorflow-gpu版初衷了。 原因 因为我们同时安装了tensorflow和tensorflow-gpu（在…Anaconda3\envs\fyy_tf\Lib\site-packages中可以找到他们的文件夹），使用keras时会默认调用tensorflow，从而无法使用GPU进行训练。 解决方法 同时卸载tensorflow、tensorflow-gpu 和
深度学习GPU加速安装步骤 tensorflow或者keras或者pytorch
qq_21956177的博客
11-12 355
深度学习使用GPU版本，需要提前下载 cuda 和 cuDNN。如果出现cuda，cudnn版本不一致的问题，后续会很麻烦。因此安装前一定要查看自己电脑的环境配置，在cmd中输入下面命令，查看电脑支持的cuda版本。然后查询Tensorflow-gpu、Python、 cuda 、 cuDNN 版本关系，要 一 一对应！系统环境变量，已出现该路径。下载完之后解压，复制里面的文件到刚才安装的CUDA路径下。邮件注册账户之后，进行下载。显示版本号，表示安装成功。显示PASS即 安装成功。即成功安装好GPU加速。
基于Anaconda开发环境的Keras深度学习框架 手把手 完全安装教程（GPU版）
最新发布
Vertira的博客
03-15 1014
基于Anaconda开发环境的Keras深度学习框架 手把手 完全安装教程（GPU版）
keras用cpu加速_为Keras提供GPU加速
weixin_39647458的博客
12-21 611
在刚入坑机器学习时，书上所使用的算法(回归、决策树等)及实例较为简单，一般CPU(中央处理器)的计算能力均能胜任，从而快速实现。但若使用keras(一种基于深度学习框架的高级应用接口)进行深度学习，利用海量的数据反复训练神经网络中成百上千万个参数时，CPU显得捉襟见肘，需要GPU(图形处理器)来实现加速训练。为什么GPU在深度学习中比CPU更快呢？这是由于两者的设计不同，CPU由专为串行处理而优化...
Keras使用GPU计算
shandiandwb的博客
06-10 3295
keras使用gpu训练模型进行文本分类过程详细记录
Keras怎么将模型用GPU跑
昔年 ～ 不忆的博客
02-24 8508
总之，使用GPU来训练和预测Keras模型可以提高性能并缩短训练时间。在使用GPU时，需要确保环境正确配置，并正确设置Keras的后端引擎和模型参数。使用GPU来运行Keras模型可以加速模型的训练和预测，提高性能。在Keras中，可以通过配置运行环境来使用GPU来训练和预测模型。这将启用Keras的TensorFlow后端引擎，并将模型放在第一个GPU设备上。这将创建一个在第一个GPU设备上运行的Keras模型。4.在模型训练和预测时启用GPU支持。这将使用GPU来并行处理数据并加速训练。
在keras中使用gpu加速训练模型；安装cuda；cudnn；cudnn_cnn_infer64_8.dll 不在path中；device_lib.list_local_devices无gpu；挂掉
weixin_46990115的博客
06-07 3625
首先打开任务管理器，查看自己电脑是否存在gpu 注意，以前安装的tensorflow默认是cpu版的，所以我们下载这个是gpu版的，注意版本得和tensorflow一致(网上说要在tensorflow安装之后安装tensorflow-gpu)首先在命令行输入 NVIDIA-smi，查看自己的gpu，驱动版本，CUDA版本 打开网址 https://developer.nvidia.com/cuda-toolkit-archive 按照以下表格安装对应的CUDA版本（我的11.5是已经下载好的），下载exe
Keras使用GPU训练
qq_41982466的博客
06-22 10000
TensorFlow、Keras与GPU之间的版本对应 版本问题—keras和tensorflow的版本对应关系 tensorflow各个版本与cuda版本的对应关系~最新 环境部署中cuda对应的tensorflow-gpu、keras版本、pytorch的对应版本 使用GPU训练Keras模型 Keras——检查GPU是否可用 如何使用GPU训练keras模型 ...
Keras使用GPU加速运算(CUDA9.0+cudnn 7.1+tensorflow-gpu 1.8.0 +Keras 2.1.5+Keras_Applications 1.0.8...)
qq_40727767的博客
05-25 1227
本文电脑： win10 64位家庭中文版 1803版本，i7-8000HQ ；显卡：GTX1050i; CUDA版本：cuda_9.0_win10.exe （[链接：CUDA 9.0] 提取码：lxr3 cudnn版本：cuDNN v7.1 (Dec 5, 2017), for CUDA 9.0 提取码：f7eo Tensorflow-GPU 1.8.0 Keras 2.1.5 Keras-Applications 1.0.8 Keras-Preprocessing 1.1.0 Python 3.6 S
tensorflow/keras使用GPU进行训练
麦田里的守望者
01-07 1万+
原文 1 需要的环境配置 Anaconda环境，Anaconda安装教程 CUDA，CUDA下载，这里需要注意CUDA、cuDNN、tensorflow的对应版本，对应版本查询 cuDNN，cuDNN下载，这里需要注册 tensorflow-gpu keras 2 CUDA安装与配置 进入CUDA下载页面选择对应的CUDA版本： 选择一个需要下载的版本，然后选择系统以及安装方式进行安装。 2.1 这里以本地安装（local）为例： 你可以选择精简安装和自定义安装: 精简安装：安装默认需要的包，这里
keras实现多GPU或指定GPU的使用介绍
12-17
1. keras新版本中加入多GPU并行使用的函数 下面程序段即可实现一个或多个GPU加速： 注意：使用多GPU加速时，Keras版本必须是Keras2.0.9以上版本 from keras.utils.training_utils import multi_gpu_model #导入keras多GPU函数 import VGG19 #导入已经写好的函数模型，例如VGG19 if G <= 1: print("[INFO] training with 1 GPU...") model = VGG19（） # otherwise, we are compiling using m
Keras指定使用GPU
mjiansun的专栏
08-23 4177
亲测有用 CUDA_VISIBLE_DEVICES=1 python train.py
keras环境如何使用GPU
studyvcmfc的专栏
10-31 4052
如果你确保tf-gpu环境搭建好的情况下，直接用pip install keras即可 注意其中的反例经验 不是吧，天坑？笔者是在反向写？我其实本来先装好的tf-gpu,然后用pip install keras也是可以的，且keras的backend是tensorflow，想确认一下自己安装的keras是否是用的gpu加速，结果看到笔者这篇博客，用笔者所谓的推荐的安装方式conda install keras-gpu,结果给我自动安装了很多东西，至于是什么我就不一一叙述了，且安装后Import ke
keras使用GPU加速计算
热门推荐
back_1995的博客
09-14 3万+
判断 本人机子内存8G，显卡GTX1060 6G显存，用 keras 跑小例子时候也能跑，也没发现自己运行时到底是用的CPU还是GPU，这次跑了稍微长点的例子，然后 jupyter notebook 内核就死了，就想起来验证一下到底用的是什么，网上查了下验证方式，感觉不怎么好，还是直接看运行时机子的情况，打开电脑的控制台或者任务管理器，看运行时GPU显存占的百分比： 像图片上这样 0% 的...
Windows下tensorflow-keras深度学习训练环境GPU加速问题
qingteng2020的博客
07-23 615
首先，请确保电脑上已经安装了 Anaconda。如果没有，请按照下载安装安装和使用可参考：继续去官网安装cuda和cuDNN下载对应版本，本机是cuda 12.4和cudnn 11.6输入以下命令来创建一个名为py38_test的新虚拟环境（名称自己定），指定 Python 版本为 3.8.8为了支持 TensorFlow-GPU，我们需要安装CUDA Toolkit 11.3和cuDNN 8.2.1以支持GPU加速安装 CUDA然后安装tensorflow-gpu。
keras终止训练后显存不释放_GPU训练加速原理（附KerasGPU训练技巧）
weixin_39678103的博客
11-23 566
0.深入理解GPU训练加速原理GPU是如何加速的呢？我打算从两个方面来解答：单个GPU较于CPU加速：在训练网络中，其实大量的运算资源都消耗在了数值计算上面，大部分网络训练的过程都是1.计算loss，2.根据loss求梯度，3.再根据梯度更新参数(梯度下降原理)。无论在GPU还是CPU中，都是不断重复123步。但是由于CPU是通用计算单元(并不擅长数值运行)，而GPU特长是图像处理(数值计算)。所...
keras 调用gpu方法
qq_32793161的博客
10-17 1万+
os.environ["CUDA_VISIBLE_DEVICES"] = "0,1" gpu_options = tf.GPUOptions(allow_growth=True) sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))
keras 怎么使用gpu
06-02
如果你已经按照前面的步骤安装了支持GPU的Keras，那么使用GPU进行训练也很简单。在Keras中，可以通过设置`CUDA_VISIBLE_DEVICES`环境变量来...这些设置可以让Keras在训练时使用GPU进行计算，从而加速模型的训练过程。
评论 9
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值