(转)TensorFlow GPU 的使用

https://www.cnblogs.com/tectal/p/9048184.html

一、TensorFlow 设备分配

1、设备分配规则

If a TensorFlow operation has both CPU and GPU implementations, the GPU devices will be given priority when the operation is assigned to a device.

2、手动指定设备分配

• 如果你不想让系统自动为 operation 分配设备, 而是自己手动指定, 可以用 with tf.device 创建一个设备环境, 这个环境下的 operation 都统一运行在指定的设备上.
• 代码示例如下：

• # op 在 cpu 上运算
  with tf.device('/cpu:0'):
        a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
        b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
  
  # op 在 gpu 上运算
  with tf.device('/device:GPU:2'):
    a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
    b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
  
  # op 在 gpus 上运算
  for d in ['/device:GPU:2', '/device:GPU:3']:
    with tf.device(d):
      a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3])
      b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2])

  二、TensorFlow GPU 配置

  1、指定可以被看见的GPU设备

• import os
  
  # 默认情况，TF 会占用所有 GPU 的所有内存, 我们可以指定
  # 只有 GPU0 和 GPU1 这两块卡被看到，从而达到限制其使用所有GPU的目的
  os.environ['CUDA_VISIBLE_DEVICES'] = '0, 1'  
  
  # 打印 TF 可用的 GPU
  print os.environ['CUDA_VISIBLE_DEVICES']
  >>> 0, 1

   2、限定使用显存的比例

• # 在开启对话session前，先创建一个 tf.ConfigProto() 实例对象
  # 通过 allow_soft_placement 参数自动将无法放在 GPU 上的操作放回 CPU
  gpuConfig = tf.ConfigProto(allow_soft_placement=True)
  
  # 限制一个进程使用 60% 的显存
  gpuConfig.gpu_options.per_process_gpu_memory_fraction = 0.6
  
  # 把你的配置部署到session
  with tf.Session(config=gpuConfig) as sess:
    pass
  
  这样，如果你指定的卡的显存是8000M的话，你这个进程只能用4800M。

  3、需要多少拿多少

• # 在开启对话session前，先创建一个 tf.ConfigProto() 实例对象
  # 通过 allow_soft_placement 参数自动将无法放在 GPU 上的操作放回 CPU
  gpuConfig = tf.ConfigProto(allow_soft_placement=True)
  
  # 运行时需要多少再给多少
  gpuConfig.gpu_options.allow_growth = True  
  
  # 把你的配置部署到session
  with tf.Session(config=gpuConfig) as sess:
       pass

   4、GPU 使用总结

import os
os.environ['CUDA_VISIBLE_DEVICES'] = '0, 1'  

gpuConfig = tf.ConfigProto(allow_soft_placement=True)
gpuConfig.gpu_options.allow_growth = True  

with tf.Session(config=gpuConfig) as sess:
     pass