keras 使用多GPU

首先我们查看一下服务器GPU的配置

nvidia-smi

    可以看到，我们由块显卡，实验中为了避免不同使用者的资源竞争，我们需要指定适用哪块GPU来实验。

   我使用的是Python，在代码开始部分加入：

import os

os.environ["CUDA_DEVICE_ORDER"]="PCI_BUS_ID"   

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

引自

https://blog.csdn.net/Together_CZ/article/details/79886982?utm_medium=distribute.pc_aggpage_search_result.none-task-blog-2~all~first_rank_v2~rank_v25-2-79886982.nonecase&utm_term=keras%20%E4%BD%BF%E7%94%A8cuda%E8%AE%AD%E7%BB%83

keras 使用多GPU

import os
os.environ["CUDA_VISIBLE_DEVICES"] = "2,3"

没有指定keras默认会选择所有的GPU，如果你并没有配置多GPU的训练，那么实际上keras占了所有的GPU但是实际上只在一个GPU上运行。

第二步，就是调用多GPU函数，multi_gpu_model，第一个参数是你的模型，第二个是使用GPU的数量。model泛指一个keras的模型。

model = KerasNet()
par_model = keras.utils.multi_gpu_model(model, gpus=2)

https://blog.csdn.net/diyong3604/article/details/101184216?utm_medium=distribute.pc_aggpage_search_result.none-task-blog-2~all~first_rank_v2~rank_v25-16-101184216.nonecase&utm_term=keras%20%E4%BD%BF%E7%94%A8cuda%E8%AE%AD%E7%BB%83

 

 

https://blog.csdn.net/limiyudianzi/article/details/88828390?utm_medium=distribute.pc_aggpage_search_result.none-task-blog-2~all~first_rank_v2~rank_v25-15-88828390.nonecase&utm_term=keras%20%E4%BD%BF%E7%94%A8cuda%E8%AE%AD%E7%BB%83