使用GPU

支持的设备

在典型的系统中，有多个计算设备。在TensorFlow中，支持的设备类型是CPU和GPU。它们被表示为strings。例如：

• "/cpu:0"：机器的CPU
• "/gpu:0"你的机器的GPU，如果你有一个。
• "/gpu:1"你的机器的第二个GPU等

如果TensorFlow操作既具有CPU和GPU实现，则在将操作分配给设备时，GPU设备将被赋予优先级。例如， matmul具有CPU和GPU内核。在用设备的系统cpu:0和 gpu:0，gpu:0将选择运行matmul。

 

记录设备布局

要找出您的操作和张量被分配给哪些设备，请创建log_device_placement配置选项设置为的会话True。

# Creates a graph. a  =  tf.constant([ 1.0 ,  2.0 ,  3.0 ,  4.0 ,  5.0 ,  6.0 ], shape = [ 2 ,  3 ], name = 'a' ) b  =  tf.constant([ 1.0 ,  2.0 ,  3.0 ,  4.0 ,  5.0 ,  6.0 ], shape = [ 3 ,  2 ], name = 'b' ) c  =  tf.matmul(a, b) # Creates a session with log_device_placement set to True. sess  =  tf.Session(config = tf.ConfigProto(log_device_placement = True )) # Runs the op. print (sess.run(c))

您应该看到以下输出：

Device mapping: / job:localhost / replica: 0 / task: 0 / gpu: 0  - > device:  0 , name: Tesla K40c, pci bus id :  0000 : 05 : 00.0 b:  / job:localhost / replica: 0 / task: 0 / gpu: 0 a:  / job:localhost / replica: 0 / task: 0 / gpu: 0 MatMul:  / job:localhost / replica: 0 / task: 0 / gpu: 0 [[  22.   28. ]   [  49.   64. ]]

手动装置放置

如果您希望特定的操作在您选择的设备上运行，而不是自动选择with tf.device 的设备，则可以使用创建设备上下文，使该上下文中的所有操作具有相同的设备分配。

# Creates a graph. with tf.device( '/cpu:0' ):    a  =  tf.constant([ 1.0 ,  2.0 ,  3.0 ,  4.0 ,  5.0 ,  6.0 ], shape = [ 2 ,  3 ], name = 'a' )    b  =  tf.constant([ 1.0 ,  2.0 ,  3.0 ,  4.0 ,  5.0 ,  6.0 ], shape = [ 3 ,  2 ], name = 'b' )    c  =  tf.matmul(a, b) # Creates a session with log_device_placement set to True. sess  =  tf.Session(config = tf.ConfigProto(log_device_placement = True )) # Runs the op. print (sess.run(c))

你会看到现在a并被b分配到cpu:0。

Device mapping: / job:localhost / replica: 0 / task: 0 / gpu: 0  - > device:  0 , name: Tesla K40c, pci bus id :  0000 : 05 : 00.0 b:  / job:localhost / replica: 0 / task: 0 / cpu: 0 a:  / job:localhost / replica: 0 / task: 0 / cpu: 0 MatMul:  / job:localhost / replica: 0 / task: 0 / gpu: 0 [[  22.   28. ]   [  49.   64. ]]

允许GPU内存增长

默认情况下，TensorFlow将几乎所有GPU的GPU内存映射 CUDA_VISIBLE_DEVICES到该进程的可见内容。这样做可以通过减少内存碎片来更有效地使用设备上相对宝贵的GPU 内存资源。

在某些情况下，该过程仅需要分配可用存储器的一个子集，或只是根据该过程需要增加内存使用量。TensorFlow在会话上提供两个配置选项来控制。

第一个是allow_growth选项，它试图根据运行时分配分配只有GPU内存：它开始分配很少的内存，随着Sessions的运行和更多的GPU内存的需要，我们扩展了TensorFlow所需的GPU内存区域处理。请注意，我们不释放内存，因为这可能会导致更糟糕的内存碎片。要打开此选项，请在ConfigProto中将选项设置为：

config  =  tf.ConfigProto() config.gpu_options.allow_growth  =  True session  =  tf.Session(config = config, ...)

第二种方法是per_process_gpu_memory_fraction选项，它决定了每个可见GPU应分配的总体内存量的分数。例如，您可以告诉TensorFlow仅通过以下方式分配每个GPU的总内存的40％：

config  =  tf.ConfigProto() config.gpu_options.per_process_gpu_memory_fraction  =  0.4 session  =  tf.Session(config = config, ...)

如果要真正限制TensorFlow进程可用的GPU内存量，这是非常有用的。

 

在多GPU系统上使用单个GPU

如果您的系统中有多个GPU，则默认情况下将选择具有最低ID的GPU。如果您想在不同的GPU上运行，则需要明确指定首选项：

# Creates a graph. with tf.device( '/gpu:2' ):    a  =  tf.constant([ 1.0 ,  2.0 ,  3.0 ,  4.0 ,  5.0 ,  6.0 ], shape = [ 2 ,  3 ], name = 'a' )    b  =  tf.constant([ 1.0 ,  2.0 ,  3.0 ,  4.0 ,  5.0 ,  6.0 ], shape = [ 3 ,  2 ], name = 'b' )    c  =  tf.matmul(a, b) # Creates a session with log_device_placement set to True. sess  =  tf.Session(config = tf.ConfigProto(log_device_placement = True )) # Runs the op. print (sess.run(c))

如果您指定的设备不存在，您将获得 InvalidArgumentError：

InvalidArgumentError: Invalid argument: Cannot assign a device to node  'b' : Could  not  satisfy explicit device specification  '/gpu:2'     [[Node: b  =  Const[dtype = DT_FLOAT, value = Tensor< type :  float  shape: [ 3 , 2 ]     values:  1  2  3. ..>, _device = "/gpu:2" ]()]]

如果您想TensorFlow自动选择现有的支持机构运行的情况下，指定一个不存在的操作，您可以设置allow_soft_placement以True创建会话时的配置选项。

# Creates a graph. with tf.device( '/gpu:2' ):    a  =  tf.constant([ 1.0 ,  2.0 ,  3.0 ,  4.0 ,  5.0 ,  6.0 ], shape = [ 2 ,  3 ], name = 'a' )    b  =  tf.constant([ 1.0 ,  2.0 ,  3.0 ,  4.0 ,  5.0 ,  6.0 ], shape = [ 3 ,  2 ], name = 'b' )    c  =  tf.matmul(a, b) # Creates a session with allow_soft_placement and log_device_placement set # to True. sess  =  tf.Session(config = tf.ConfigProto(        allow_soft_placement = True , log_device_placement = True )) # Runs the op. print (sess.run(c))

使用多个GPU

如果您想在多个GPU上运行TensorFlow，您可以以多塔方式构建您的模型，其中每个塔分配给不同的GPU。例如：

# Creates a graph. c  =  [] for  d  in  [ '/gpu:2' ,  '/gpu:3' ]:    with tf.device(d):      a  =  tf.constant([ 1.0 ,  2.0 ,  3.0 ,  4.0 ,  5.0 ,  6.0 ], shape = [ 2 ,  3 ])      b  =  tf.constant([ 1.0 ,  2.0 ,  3.0 ,  4.0 ,  5.0 ,  6.0 ], shape = [ 3 ,  2 ])      c.append(tf.matmul(a, b)) with tf.device( '/cpu:0' ):    sum  =  tf.add_n(c) # Creates a session with log_device_placement set to True. sess  =  tf.Session(config = tf.ConfigProto(log_device_placement = True )) # Runs the op. print (sess.run( sum ))

您将看到以下输出。

Device mapping: / job:localhost / replica: 0 / task: 0 / gpu: 0  - > device:  0 , name: Tesla K20m, pci bus id :  0000 : 02 : 00.0 / job:localhost / replica: 0 / task: 0 / gpu: 1  - > device:  1 , name: Tesla K20m, pci bus id :  0000 : 03 : 00.0 / job:localhost / replica: 0 / task: 0 / gpu: 2  - > device:  2 , name: Tesla K20m, pci bus id :  0000 : 83 : 00.0 / job:localhost / replica: 0 / task: 0 / gpu: 3  - > device:  3 , name: Tesla K20m, pci bus id :  0000 : 84 : 00.0 Const_3:  / job:localhost / replica: 0 / task: 0 / gpu: 3 Const_2:  / job:localhost / replica: 0 / task: 0 / gpu: 3 MatMul_1:  / job:localhost / replica: 0 / task: 0 / gpu: 3 Const_1:  / job:localhost / replica: 0 / task: 0 / gpu: 2 Const:  / job:localhost / replica: 0 / task: 0 / gpu: 2 MatMul:  / job:localhost / replica: 0 / task: 0 / gpu: 2 AddN:  / job:localhost / replica: 0 / task: 0 / cpu: 0 [[   44.    56. ]   [   98.   128. ]]

该cifar10教程是一个很好的例子演示了如何做多GPU训练。