一，直接指定GPU:

tf.ConfigProto一般用在創建session的時候。用來對session進行參數配置

with tf.Session(config = tf.ConfigProto(...),...)

• ?

#tf.ConfigProto()的參數 log_device_placement=True : 是否打印設備分配日志 allow_soft_placement=True ： 如果你指定的設備不存在，允許TF自動分配設備 #coding:utf-8 import tensorflow as tf a=tf.constant([1.0,2.0,3.0],shape=[3],name='a') b=tf.constant([1.0,2.0,3.0],shape=[3],name='b') c=a+b #log_device_placement=True 輸出運行每一個運算的設備 with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:print(sess.run(c))

可看出每個運算的設備是GPU:0

可以把運算放在不同的device上 #coding:utf-8 import tensorflow as tf with tf.device('/cpu:0'):a=tf.constant([1.0,2.0,3.0],shape=[3],name='a')b=tf.constant([1.0,2.0,3.0],shape=[3],name='b') with tf.device('/gpu:0'):c=a+b #log_device_placement=True 輸出運行每一個運算的設備 with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:print(sess.run(c))

直接指定的缺點是，降低程序的可移植性，同時有些運算不能在GPU上執行，bi比如tf.Variable操作只支持實數型（float16,float32,和double的參數），對于整數不支持，故可用allow_soft_placement參數

報錯：

a_cpu=tf.Variable(0,name='a_cpu') with tf.device('/gpu:0'):a_gpu=tf.Variable(0,name='a_gpu') with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:print(sess.run(tf.global_variables_initializer()))

a_cpu=tf.Variable(0,name='a_cpu') with tf.device('/gpu:0'):a_gpu=tf.Variable(0,name='a_gpu') with tf.Session(config=tf.ConfigProto(allow_soft_placement=True,log_device_placement=True)) as sess:print(sess.run(tf.global_variables_initializer()))

打印信息：

2018-08-30 03:40:26.905925: I tensorflow/core/common_runtime/placer.cc:874] a_gpu: (VariableV2)/job:localhost/replica:0/task:0/device:CPU:0
a_gpu/read: (Identity): /job:localhost/replica:0/task:0/device:CPU:0
2018-08-30 03:40:26.905952: I tensorflow/core/common_runtime/placer.cc:874] a_gpu/read: (Identity)/job:localhost/replica:0/task:0/device:CPU:0
a_gpu/Assign: (Assign): /job:localhost/replica:0/task:0/device:CPU:0

?

import tensorflow as tf a=tf.constant([1.0,2.0,3.0],shape=[3],name='a') b=tf.constant([1.0,2.0,3.0],shape=[3],name='b')c=a+b #log_device_placement=True 輸出運行每一個運算的設備 with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:print(sess.run(c))

二，命令行用gpu

打印信息

2018-08-30 03:46:25.130842: I tensorflow/core/common_runtime/placer.cc:874] add: (Add)/job:localhost/replica:0/task:0/device:GPU:0
b: (Const): /job:localhost/replica:0/task:0/device:GPU:0
2018-08-30 03:46:25.130872: I tensorflow/core/common_runtime/placer.cc:874] b: (Const)/job:localhost/replica:0/task:0/device:GPU:0
a: (Const): /job:localhost/replica:0/task:0/device:GPU:0
2018-08-30 03:46:25.130892: I tensorflow/core/common_runtime/placer.cc:874] a: (Const)/job:localhost/replica:0/task:0/device:GPU:0
運算在第二塊gpu

或者直接在程序里

import tensorflow as tf import os os.environ['CUDA_VISIBLE_DEVICES']='1' a=tf.constant([1.0,2.0,3.0],shape=[3],name='a') b=tf.constant([1.0,2.0,3.0],shape=[3],name='b')c=a+b #log_device_placement=True 輸出運行每一個運算的設備 with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:print(sess.run(c))

三，動態分配GPU

上面的方式會占用整個GPU，可以在一塊GPU上同時運行多個任務

import tensorflow as tf import os def set_config():# 控制使用率os.environ['CUDA_VISIBLE_DEVICES'] = '1'# 假如有16GB的顯存并使用其中的8GB:gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.5)config = tf.ConfigProto(gpu_options=gpu_options)# session = tf.Session(config=config)return configif __name__ == '__main__':a = tf.constant([1.0, 2.0, 3.0], shape=[3], name='a')b = tf.constant([1.0, 2.0, 3.0], shape=[3], name='b')c = a + bcfg=set_config()with tf.Session(config=cfg) as sess:print(sess.run(c))

總結

以上是生活随笔為你收集整理的tensorflow(GPU)使用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。