初步尝试 Keras (基于 Tensorflow 后端)深度框架时, 发现其对于 GPU 的使用比较神奇, 默认竟然是全部占满显存, 1080Ti 跑个小分类问题, 就一下子满了. 而且是服务器上的两张 1080Ti.
服务器上的多张 GPU 都占满, 有点浪费性能.
因此, 需要类似于 Caffe 等框架的可以设定 GPU ID 和显存自动按需分配.
实际中发现, Keras 还可以限制 GPU 显存占用量.
这里涉及到的内容有:
GPU ID 设定
GPU 显存占用按需分配
GPU 显存占用限制
GPU 显存优化
1. GPU ID 设定
?
这里将 GPU ID 设为 1.
GPU ID 从 0 开始, GPUID=1 即表示第二块 GPU.
2. GPU 显存占用按需分配
?
3. GPU 显存占用限制
?
这里虽然是设定了 GPU 显存占用的限制比例(0.3), 但如果训练所需实际显存占用超过该比例, 仍能正常训练, 类似于了按需分配.
设定 GPU 显存占用比例实际上是避免一定的显存资源浪费.
4. GPU ID 设定与显存按需分配
?
5. 利用fit_generator最小化显存占用比例/数据Batch化
?
5.1 数据 Batch 化
?
补充知识:Keras+Tensorflow指定运行显卡以及关闭session空出显存
Step1: 查看GPU
watch -n 3 nvidia-smi #在命令行窗口中查看当前GPU使用的情况, 3为刷新频率</