标签:mapping 检测 ide cap local 内存 资源 abi 运行时
首先检测是否可用 GPU
import tensorflow as tf print(‘GPU‘, tf.test.is_gpu_available()) # GPU True
Tensorflow 通过 tf.device 指定每个操作运行的设备,可以指定本地的 CPU、GPU,还可以指定远程服务器;
Tensorflow 会给每个本地设备一个名称,如 /cpu:0,即使电脑有多块 CPU ,tf 不会做区分,统一叫 /cpu:0,而 如果有多块 GPU,第 n 块 GPU 叫 /gpu:n,n 从 0 开始;
with tf.device(‘/cpu:0‘): d1 = tf.Variable(1.) d2 = tf.Variable(2., name=‘d2‘) with tf.device(‘/gpu:0‘): d3 = tf.add(d1, d2) with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess: sess.run(tf.global_variables_initializer()) print(sess.run(d3))
tf 提供了 log_device_placement 来查看 计算在 哪个设备上运行;
d1 = tf.constant(1.) d2 = tf.constant(2., name=‘d2‘) d3 = tf.add(d1, d2) ### log_device_placement 记录了计算在哪个设备执行 with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess: print(sess.run(d3)) # Device mapping: # /job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: Quadro P600, pci bus id: 0000:02:00.0, compute capability: 6.1 # Add: (Add): /job:localhost/replica:0/task:0/device:GPU:0 # Const: (Const): /job:localhost/replica:0/task:0/device:GPU:0 # d2: (Const): /job:localhost/replica:0/task:0/device:GPU:0 # 3.0
注意
1. 在 配置好 GPU 的 tf 中,计算优先被分配到 GPU 上;
2. 如果有多块 GPU,tf 也会优先叫计算放到 /gpu:0 上,而其他 GPU 不会被安排任务,如果需要放到其他 GPU,可通过 tf.device 指定
不是所有操作都能在 GPU 上运行;
如在 GPU 上用 tf.Variable 创建变量时,只支持实数型(float16、float32、double),不支持整型;
# 在CPU上运行tf.Variable a_cpu = tf.Variable(0, name="a_cpu") with tf.device(‘/gpu:0‘): # 将tf.Variable强制放在GPU上。 # a_gpu = tf.Variable(0, name="a_gpu") ##### 上句报错如下 # tensorflow.python.framework.errors_impl.InvalidArgumentError: Cannot assign a device for operation a_gpu: # Could not satisfy explicit device specification ‘/device:GPU:0‘ because no supported kernel for GPU devices is available. a_gpu = tf.Variable(0., name="a_gpu") ### 这样写就不报错 sess = tf.Session(config=tf.ConfigProto(log_device_placement=True)) sess.run(tf.initialize_all_variables())
为了避免某些操作不能放在 GPU 上而报错,allow_soft_placement 可以将报错的操作自动放到 CPU 上;
a_cpu = tf.Variable(0, name="a_cpu") with tf.device(‘/gpu:0‘): a_gpu = tf.Variable(0, name="a_gpu") # 通过allow_soft_placement参数自动将无法放在GPU上的操作放回CPU上 sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True)) sess.run(tf.initialize_all_variables()) # Device mapping: # /job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: Quadro P600, pci bus id: 0000:02:00.0, compute capability: 6.1 # a_cpu: (VariableV2): /job:localhost/replica:0/task:0/device:CPU:0 # a_cpu/Assign: (Assign): /job:localhost/replica:0/task:0/device:CPU:0 # a_cpu/read: (Identity): /job:localhost/replica:0/task:0/device:CPU:0 # # a_gpu: (VariableV2): /job:localhost/replica:0/task:0/device:CPU:0 # a_gpu/Assign: (Assign): /job:localhost/replica:0/task:0/device:CPU:0 # a_gpu/read: (Identity): /job:localhost/replica:0/task:0/device:CPU:0 ##### 把 GPU 上的操作放到 CPU 上了 # # init/NoOp: (NoOp): /job:localhost/replica:0/task:0/device:GPU:0 # init/NoOp_1: (NoOp): /job:localhost/replica:0/task:0/device:GPU:0 # init: (NoOp): /job:localhost/replica:0/task:0/device:GPU:0 # a_cpu/initial_value: (Const): /job:localhost/replica:0/task:0/device:CPU:0 # a_gpu/initial_value: (Const): /job:localhost/replica:0/task:0/device:GPU:0
虽然说 GPU 可以加速,但通常不会把所有操作都放在 GPU 上,大致有如下原则:
1. 把计算密集型的操作放到 GPU 上
GPU 是相对独立的资源,将计算转入和转出 GPU 都需要额外的时间,而且 GPU 需要将计算所需的数据 从内存复制到 GPU 设备上,也需要额外的时间,
tensorflow 可自动完成这些操作,但为了提高运算效率,尽量将相关运算放到同一设备上;
2.通过环境变量分配 GPU 和显存;
################################### 通过环境变量分配 GPU 资源 ################################### ##### tensorflow 默认会占用所有 GPU (多块GPU) 和 所有显存,当然我们可以指定 GPU 或者 动态分配显存 ################# 在运行时设置环境变量 ################# ##### 只使用第二块GPU(GPU编号从0开始) # 在demo_code.py中,机器上的第二块GPU的名称变成/gpu:0,在运行时所有/gpu:0的运算将被放在第二块GPU上 CUDA_VISIBLE_DEVICES=1 python demo_code.py ##### 只使用第一块和第二块GPU CUDA_VISIBLE_DEVICES=0,1 python demo_code.py ################# 在程序中设置环境变量 ################# import os os.environ[‘CUDA_VISIBLE_DEVICES‘] = ‘2‘ ### 设定只使用 第3块 GPU ################# 动态分配显存 ################# ##### TF 默认占用 GPU 的所有显存,我们可以手动分配显存,使得一块 GPU 可以同时运行多个任务 config = tf.ConfigProto() # 让TensorFlow按需分配显存 config.gpu_options.allow_growth = True # 或者直接按固定的比例分配 config.gpu_options.per_process_gpu_memory_fraction = 0.4 ### 占用所有可使用GPU的40%显存 session = tf.Session(config=config, ...)
见 参考资料1
见 参考资料1
参考资料:
https://blog.csdn.net/weixin_36670529/article/details/87214096 tensorflow的GPU加速计算 【非常全面、深入】
https://www.jianshu.com/p/26ac409dfb38
标签:mapping 检测 ide cap local 内存 资源 abi 运行时
原文地址:https://www.cnblogs.com/yanshw/p/12642654.html