keras指定gpu_Tensorflow后端的Keras是否可以强制任意使用CPU或GPU？

一个相当独立的方法是使用import tensorflow as tf

from keras import backend as K

num_cores = 4

if GPU:

num_GPU = 1

num_CPU = 1

if CPU:

num_CPU = 1

num_GPU = 0

config = tf.ConfigProto(intra_op_parallelism_threads=num_cores,

inter_op_parallelism_threads=num_cores,

allow_soft_placement=True,

device_count = {'CPU' : num_CPU,

'GPU' : num_GPU}

)

session = tf.Session(config=config)

K.set_session(session)

在这里，使用booleansGPU和CPU，我们通过严格定义Tensorflow会话允许访问的GPU和CPU的数量来指示是否希望使用GPU或CPU运行代码。变量num_GPU和num_CPU定义此值。num_cores然后通过intra_op_parallelism_threads和inter_op_parallelism_threads设置可供使用的CPU核心数。

变量intra_op_parallelism_threads指定允许在计算图中的单个节点中使用并行操作的线程数(intra)。而inter_ops_parallelism_threads变量定义了跨计算图(inter)节点的并行操作可访问的线程数。

allow_soft_placement如果满足以下任何条件，则允许在CPU上运行操作：此操作没有GPU实现

没有已知或注册的GPU设备

需要与来自CPU的其他输入一起定位

所有这些都是在任何其他操作之前在类的构造函数中执行的，并且与我使用的任何模型或其他代码完全分离。

注意：这需要安装tensorflow-gpu和cuda/cudnn，因为该选项被指定为使用GPU。

参考文献：