使用tensorflow2.x训练的时候关于GPU的设置

最新推荐文章于 2023-03-02 20:00:08 发布
最新推荐文章于 2023-03-02 20:00:08 发布
阅读量1.7k 收藏 11
点赞数 1
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43213607/article/details/108576900
版权
1.列出当前主机的物理显卡GPU或者CPU的列表gpus = tf.config.experimental.list_physical_devices(device_type='GPU')cpus = tf.config.experimental.list_physical_devices(device_type='CPU')print(gpus)打印结果[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]2.设置
摘要由CSDN通过智能技术生成

1.列出当前主机的物理显卡GPU或者CPU的列表

gpus = tf.config.experimental.list_physical_devices(device_type='GPU')
cpus = tf.config.experimental.list_physical_devices(device_type='CPU')
print(gpus)
打印结果
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]

2.设置当前程序可见GPU设备的方法两种方法

方法1


tf.config.experimental.set_visible_devices(devices
最低0.47元/天 解锁文章
weixin_43213607
关注
  • 1
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
tensorflow2.x学习笔记十二：使用多GPU训练模型
耐心的小黑的博客
08-30 3937
一、前言 如果使用多GPU训练模型，推荐使用内置fit方法，较为方便，仅需添加2行代码。 MirroredStrategy过程简介： 训练开始前，该策略在所有 N 个计算设备上均各复制一份完整的模型； 每次训练传入一个批次的数据时，将数据分成 N 份，分别传入 N 个计算设备（即数据并行）； N 个计算设备使用本地变量（镜像变量）分别计算自己所获得的部分数据的梯度； 使用分布式计算的 All-reduce操作，在计算设备间高效交换梯度数据并进行求和，使得最终每个设备都有了所有设备的梯度之和； 使用梯度求和
Tensorflow 2.x(keras)源码详解之第十六章：分布式部署（如何使用GPU）
weixin_43178406的博客
07-07 1万+
本文主要介绍了Tensorflow 2.x(keras)源码详解之第十六章：分布式部署（如何使用GPU），希望能对学习TensorFlow 2的同学有所帮助。 文章目录 1. 分布式训练前言 2. 指定使用cpu 3. 使用多块GPU 4. 限制GPU内存 5. 单块GPU模拟多GPU并行
tensorflow在训练模型的时候如何指定GPU进行训练
热门推荐
BangGui02
07-26 6万+
在用tensorflow训练深度学习模型的时候，假设我们在训练之前没有指定GPU来进行训练，则默认的是选用第0块GPU来训练我们的模型，而且其它几块GPU的也会显示被占用。有些时候，我们更希望可以通过自己指定一块或者几块GPU来训练我们的模型，而不是用这种默认的方法。接下来将简单介绍两种简单的方法。 我们现有的GPU个数如下所示： 1.第一种通过tf.device()函数来指定训练时所
Windows或Linux系统环境下成功配置TensorFlow2.x的GPU版本全过程，附带每个步骤需要用的链接
weixin_45941288的博客
05-15 4万+
接下来我以Windows安装TensorFlow2.2.1为例进行详细阐述： 1. 安装anaconda： 点击进入anaconda官网： anaconda官网 或者点击下面直接下载对应版本： 点击下载win64位的anaconda 点击下载win32位的anaconda 点击下载Linux的anaconda 注意事项：安装的时候， 一定要勾选第一个选项！！ 一定要勾选第一个选项！！ 一定要勾选第一个选项！！ 重要的事情说3遍。默认它是没有被勾选的，这是把anaconda添加到环境变量里的，如果没勾选就安装
详解tensorflow2.x版本无法调用gpu的一种解决方法
09-16
主要介绍了详解tensorflow2.x版本无法调用gpu的一种解决方法，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
tensorflow1.x升级到2.x脚本
04-29
8. **分布式训练**：2.x版本对分布式训练进行了优化，使得在多GPU和多机器环境下的训练更加便捷。 在使用"tf_upgrade_v2.exe"这个脚本来升级代码时，它会扫描你的源代码，自动检测不兼容的API，并提供相应的迁移...
TensorFlow2.x安装依赖包
最新发布
05-22
在深入探讨TensorFlow 2.x的安装及其依赖包之前，我们先来理解一下TensorFlow本身。TensorFlow是由谷歌大脑团队开发的一个开源库，主要用于数据流图的数值计算，广泛应用于机器学习、深度学习以及人工智能等领域。它...
TensorFlow2:用于Python深度学习（TensorFlow 2.x）的手册笔记本，链接
05-28
这个“TensorFlow2:用于Python深度学习的手册笔记本”很可能是对使用TensorFlow 2.x进行深度学习的一系列教程或示例的集合，特别适用于在Google Colab平台上运行，这是一个免费的在线交互式计算环境。 在TensorFlow...
基于tensorflow2.x卷积神经网络字符型验证码识别
05-14
【作品名称】：基于tensorflow2.x卷积神经网络字符型验证码识别 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 【项目介绍】： ## ...
Tensorflow2.x 多GPU训练
xuran
10-08 742
http://www.4k8k.xyz/article/qq_39507748/108303217
【tensorflow-2.x-gpu 】 获得tf版本以及可用的设备CPU/GPU
jn10010537的博客
11-08 475
【tensorflow-2.x-gpu 】 获得tf版本以及可用的设备CPU/GPU1.背景2.代码示例 1.背景 tensorflow更新很快，而我还守在1.x，想来自己真的需要刺激一下，抓紧学习。 知识爆炸了，收藏了很多，但是明天永远不会学，我知道很多锦上添花的技术，真没有必要学。但tensorflow就非常有必要学习了。 后面关于tf的2.x系列学习基本在以下硬件上： 2.代码示例 # 屏蔽tensorflow输出的log信息 # 注意：代码在import tensorflow之前 import o
TensorFlow2.x 设置显存使用
YaoJiawei329的博客
04-08 892
记录一下使用TensorFlow遇到的第一个坑——显存管理。最开始不知道这个东西，每次跑完一遍都得重启…学习了Aurelier Geron的<<Hands-on Machine Learning with Scikit-learn, Keras & TensorFlow>>的第十九章才知道是咋回事。 原文截图： 按着我的习惯，是先开一个terminal用于监控显存使用，每秒刷新一次。 watch -n 1 nvidia-smi 在训练的时候，TensorFlow默认会用尽所
TensorFlow指定特定GPU以及占用显存的比例
edward_zcl的博客
04-25 971
实验室最近买了几张tesla v100，想着倒腾着用，无奈还是对这种多gpu用得少啊。 因为LZ是使用GPU服务器跑TensorFlow，而TensorFlow默认的是占用所有GPU，于是为了不影响其他同学使用GPU，于是就试验和总结了一下TensorFlow指定GPU的方法。。 环境 系统：Ubuntu14.04 TensorFlow：v1.3 GPU 8个GTX1080，第一列的0~7的数是GPU的.
GPU的分配及使用 TF2.0
weixin_44885180的博客
05-03 768
默认情况下，TensorFlow 将使用几乎所有可用的显存，以避免内存碎片化所带来的性能损失。 但是TensorFlow 提供两种显存使用策略，让我们能够更灵活地控制程序的显存使用方式： 1.仅在需要时申请显存空间（程序初始运行时消耗很少的显存，随着程序的运行而动态申请显存）； 2.限制消耗固定大小的显存（程序不会超出限定的显存大小，若超出的报错）。 设置仅在需要时申请显存空间。 for gpu in gpus: tf.config.experimental.set_memory_growth(gpu, T
TensorFlow2.0——gpu设置
ronghwa_lu
01-15 2556
Tensorflow 2.0 GPU的使用与分配 或者参考TensorFlow中文文档 :讲述了各种情况 查看有什么设备 def set_soft_gpu(soft_gpu): import tensorflow as tf if soft_gpu: gpus = tf.config.experimental.list_physical_devices('GPU') if gpus: # Currently, memory growth
keras模型转pb模型
Maisie_Nan的博客
02-26 363
import tensorflow as tf from tensorflow.keras.models import load_model import numpy as np if __name__ == '__main__': norm_size=192 graph = tf.Graph() with graph.as_default(): session = tf.Session() with tf.Session().as_default.
tensorflow/keras使用GPU进行训练
麦田里的守望者
01-07 1万+
原文 1 需要的环境配置 Anaconda环境，Anaconda安装教程 CUDA，CUDA下载，这里需要注意CUDA、cuDNN、tensorflow的对应版本，对应版本查询 cuDNN，cuDNN下载，这里需要注册 tensorflow-gpu keras 2 CUDA安装与配置 进入CUDA下载页面选择对应的CUDA版本： 选择一个需要下载的版本，然后选择系统以及安装方式进行安装。 2.1 这里以本地安装（local）为例： 你可以选择精简安装和自定义安装: 精简安装：安装默认需要的包，这里
23- GPU设置和多分布自定义模型 (TensorFlow系列) (深度学习)
March_A的博客
03-02 1168
为什么需要分布式?数据量太大, 模型太复杂同步式分布式训练适用于一机多卡每个GPU都有网络结构的所有参数, 这些参数会被同步加速方法: 数据并行Batch数据切为N份分给各个GPU梯度聚合然后更新给各个GPU上的参数MirroredStrategy的变种参数不是在每个GPU上, 而是存储在一个设备上CPU或者唯一的GPU上计算是在所有GPU上并行的除了更新参数的计算类似MirroredStrategy适用于多级多卡情况与MirroredStrategy类似。
c++ tensorflow2.x 调用gpu接口
04-28
使用TensorFlow 2.x调用GPU接口可以大大加快训练模型的速度，尤其是对于大规模的数据集来说，GPU的优势更为明显。 要调用TensorFlow 2.x的GPU接口，需要首先安装相应的GPU驱动和CUDA SDK。这些软件可以通过NVIDIA...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值