keras指定gpu_[Keras] 使用Keras调用多GPU，并保存模型

官方文档对于如何调用多GPU已经说的很清楚：multi_gpu_model，但仍有些细节，值得探讨：

keras.utils.multi_gpu_model(model, gpus)

将模型在多个GPU上复制

特别地，该函数用于单机多卡的数据并行支持，它按照下面的方式工作：

(1)将模型的输入分为多个子batch

(2)在每个设备上调用各自的模型，对各自的数据集运行

(3)将结果连接为一个大的batch(在CPU上)

例如，你的batch_size是64而gpus=2，则输入会被分为两个大小为32的子batch，在两个GPU上分别运行，通过连接后返回大小为64的结果。 该函数线性的增加了训练速度，最高支持8卡并行。

*该函数只能在tf后端下使用

参数如下：

model: Keras模型对象，为了避免OOM错误(内存不足)，该模型应在CPU上构建，参考下面的例子。

gpus: 大或等于2的整数，要并行的GPU数目。

该函数返回Keras模型对象，它看起来跟普通的keras模型一样，但实际上分布在多个GPU上。

例子：

import tensorflow as tf

from keras.applications import Xception

from keras.utils import multi_gpu_model

import numpy as np

num_samples = 1000

height = 224

width = 224

num_classes = 1000

# Instantiate the base model

# (here, we do it on CPU, which is optional).

with tf.device('/cpu:0'):

model = Xception(weights=None,

input_shape=(height, width, 3),

classes=num_classes)

# Replicates the model on 8 GPUs.

# This assumes that your machine has 8 available GPUs.

parallel_model = multi_gpu_model(model, gpus=8)

parallel_model.compile(loss='categorical_crossentropy',

optimizer='rmsprop')

# Generate dummy data.

x = np.random.random((num_samples, height, width, 3))

y = np.random.random((num_samples, num_classes))

# This `fit` call will be distributed on 8 GPUs.

# Since the batch size is 256, each GPU will process 32 samples.

parallel_model.fit(x, y, epochs=20, batch_size=256)

但是在parallel_model.fit()结束后，使用代码parallel_model.save()保存却出现错误：