keras用cpu加速_具有Tensorflow后端的Keras可以随意使用CPU或GPU吗？

最新推荐文章于 2022-04-27 16:19:47 发布

weixin_42653672

最新推荐文章于 2022-04-27 16:19:47 发布

阅读量197

点赞数

文章标签： keras用cpu加速

本文链接：https://blog.csdn.net/weixin_42653672/article/details/112875283

版权

一个相当可分的方法是使用

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，通过 booleans GPU 和 CPU ，我们通过严格定义允许Tensorflow会话访问的GPU和CPU的数量来指示我们是否想要使用GPU或CPU运行我们的代码 . 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 .

intra_op_parallelism_threads 变量指示允许计算图中单个节点中的并行操作使用(内部)的线程数 . 而 inter_ops_parallelism_threads 变量定义了可在计算图(inter)的节点之间进行并行操作的线程数 .

allow_soft_placement 允许在满足以下任何条件的情况下在CPU上运行操作：

该操作没有GPU实现

没有已知或已注册的GPU设备

需要与来自CPU的其他输入共存

所有这些都是在我的类的构造函数中执行任何其他操作之前，并且可以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 ，因为该选项用于使用GPU .

参考文献：