摘要：大家好，今天我們來給講講關(guān)于在中的使用規(guī)則。在某些情況下，最理想的是進(jìn)程只分配可用內(nèi)存的一個(gè)子集，或者僅根據(jù)進(jìn)程需要增加內(nèi)存使用量。

大家好，今天我們來給講講關(guān)于 TensorFlow 在 GPU 中的使用規(guī)則。

支持的設(shè)備

在一套標(biāo)準(zhǔn)系統(tǒng)中通常有多臺計(jì)算設(shè)備。TensorFlow 支持 CPU 和 GPU 這兩種設(shè)備。它們均用 strings 表示。例如：

"/cpu:0"：機(jī)器的 CPU

"/device:GPU:0"：機(jī)器的 GPU（如果有一個(gè)）

"/device:GPU:1"：機(jī)器的第二個(gè) GPU（以此類推）

如果 TensorFlow 指令中兼有 CPU 和 GPU 實(shí)現(xiàn)，當(dāng)該指令分配到設(shè)備時(shí)，GPU 設(shè)備有優(yōu)先權(quán)。例如，如果 matmul 同時(shí)存在 CPU 和 GPU 核函數(shù)，在同時(shí)有 cpu:0 和 gpu:0 設(shè)備的系統(tǒng)中，gpu:0 會被選來運(yùn)行 matmul。

記錄設(shè)備分配方式

要找出您的指令和張量被分配到哪個(gè)設(shè)備，請創(chuàng)建會話并將 log_device_placement 配置選項(xiàng)設(shè)為 True。

# Creates a graph.

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")

c = tf.matmul(a, b)

# Creates a session with log_device_placement set to True.

sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))

# Runs the op.

print(sess.run(c))

您應(yīng)該會看到以下輸出內(nèi)容：

Device mapping:

/job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: Tesla K40c, pci bus

id: 0000:05:00.0

b: /job:localhost/replica:0/task:0/device:GPU:0

a: /job:localhost/replica:0/task:0/device:GPU:0

MatMul: /job:localhost/replica:0/task:0/device:GPU:0

[[ 22. ?28.]

?[ 49. ?64.]]

手動(dòng)分配設(shè)備

如果您希望特定指令在您選擇的設(shè)備（而非系統(tǒng)自動(dòng)為您選擇的設(shè)備）上運(yùn)行，您可以使用 with tf.device 創(chuàng)建設(shè)備上下文，這個(gè)上下文中的所有指令都將被分配在同一個(gè)設(shè)備上運(yùn)行。

# Creates a graph.

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")

c = tf.matmul(a, b)

# Creates a session with log_device_placement set to True.

sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))

# Runs the op.

print(sess.run(c))

您會看到現(xiàn)在 a 和 b 被分配到 cpu:0。由于未明確指定運(yùn)行 MatMul 指令的設(shè)備，因此 TensorFlow 運(yùn)行時(shí)將根據(jù)指令和可用設(shè)備（此示例中的 gpu:0）選擇一個(gè)設(shè)備，并會根據(jù)要求自動(dòng)復(fù)制設(shè)備間的張量。

Device mapping:

/job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: Tesla K40c, pci bus

id: 0000:05:00.0

b: /job:localhost/replica:0/task:0/cpu:0

a: /job:localhost/replica:0/task:0/cpu:0

MatMul: /job:localhost/replica:0/task:0/device:GPU:0

[[ 22. ?28.]

?[ 49. ?64.]]

允許增加 GPU 內(nèi)存

默認(rèn)情況下，TensorFlow 會映射進(jìn)程可見的所有 GPU 的幾乎所有 GPU 內(nèi)存（取決于 CUDA_VISIBLE_DEVICES）。通過減少內(nèi)存碎片，可以更有效地使用設(shè)備上相對寶貴的 GPU 內(nèi)存資源。

在某些情況下，最理想的是進(jìn)程只分配可用內(nèi)存的一個(gè)子集，或者僅根據(jù)進(jìn)程需要增加內(nèi)存使用量。TensorFlow 在 Session 上提供兩個(gè) Config 選項(xiàng)來進(jìn)行控制。

第一個(gè)是 allow_growth 選項(xiàng)，它試圖根據(jù)運(yùn)行時(shí)的需要來分配 GPU 內(nèi)存：它剛開始分配很少的內(nèi)存，隨著 Session 開始運(yùn)行并需要更多 GPU 內(nèi)存，我們會擴(kuò)展 TensorFlow 進(jìn)程所需的 GPU 內(nèi)存區(qū)域。請注意，我們不會釋放內(nèi)存，因?yàn)檫@可能導(dǎo)致出現(xiàn)更嚴(yán)重的內(nèi)存碎片情況。要開啟此選項(xiàng)，請通過以下方式在 ConfigProto 中設(shè)置選項(xiàng)：

config = tf.ConfigProto()

config.gpu_options.allow_growth = True

session = tf.Session(config=config, ...)

如要真正限制 TensorFlow 進(jìn)程可使用的 GPU 內(nèi)存量，這非常實(shí)用。

在多 GPU 系統(tǒng)中使用單一 GPU

如果您的系統(tǒng)中有多個(gè) GPU，則默認(rèn)情況下將選擇 ID 最小的 GPU。如果您希望在其他 GPU 上運(yùn)行，則需要顯式指定偏好設(shè)置：

# Creates a graph.

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")

? c = tf.matmul(a, b)

# Creates a session with log_device_placement set to True.

sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))

# Runs the op.

print(sess.run(c))

如果您指定的設(shè)備不存在，您會看到 InvalidArgumentError：

InvalidArgumentError: Invalid argument: Cannot assign a device to node "b":

Could not satisfy explicit device specification "/device:GPU:2"

? ?[[Node: b = Const[dtype=DT_FLOAT, value=Tensor

? ?values: 1 2 3...>, _device="/device:GPU:2"]()]]

當(dāng)指定設(shè)備不存在時(shí)，如果您希望 TensorFlow 自動(dòng)選擇現(xiàn)有的受支持設(shè)備來運(yùn)行指令，則可以在創(chuàng)建會話時(shí)將配置選項(xiàng)中的 allow_soft_placement 設(shè)為 True。

# Creates a graph.

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")

? c = tf.matmul(a, b)

# Creates a session with allow_soft_placement and log_device_placement set

# to True.

sess = tf.Session(config=tf.ConfigProto(

? ? ? allow_soft_placement=True, log_device_placement=True))

# Runs the op.

print(sess.run(c))

使用多個(gè) GPU

如果您想要在多個(gè) GPU 上運(yùn)行 TensorFlow，則可以采用多塔式方式構(gòu)建模型，其中每個(gè)塔都會分配給不同 GPU。例如：

# Creates a graph.

c = []

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])

? ? c.append(tf.matmul(a, b))

with tf.device("/cpu:0"):

? sum = tf.add_n(c)

# Creates a session with log_device_placement set to True.

sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))

# Runs the op.

print(sess.run(sum))

您會看到以下輸出內(nèi)容：

Device mapping:

/job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: Tesla K20m, pci bus

id: 0000:02:00.0

/job:localhost/replica:0/task:0/device:GPU:1 -> device: 1, name: Tesla K20m, pci bus

id: 0000:03:00.0

/job:localhost/replica:0/task:0/device:GPU:2 -> device: 2, name: Tesla K20m, pci bus

id: 0000:83:00.0

/job:localhost/replica:0/task:0/device:GPU:3 -> device: 3, name: Tesla K20m, pci bus

id: 0000:84:00.0

Const_3: /job:localhost/replica:0/task:0/device:GPU:3

Const_2: /job:localhost/replica:0/task:0/device:GPU:3

MatMul_1: /job:localhost/replica:0/task:0/device:GPU:3

Const_1: /job:localhost/replica:0/task:0/device:GPU:2

Const: /job:localhost/replica:0/task:0/device:GPU:2

MatMul: /job:localhost/replica:0/task:0/device:GPU:2

AddN: /job:localhost/replica:0/task:0/cpu:0

[[ ?44. ? 56.]

?[ ?98. ?128.]]

cifar10 教程 就是個(gè)很好的例子（https://tensorflow.google.cn/tutorials/images/deep_cnn?hl=zh-CN），演示了如何使用多個(gè) GPU 進(jìn)行訓(xùn)練。

聲明：文章收集于網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系小編及時(shí)處理，謝謝！

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價(jià)值的辦法，實(shí)際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報(bào)表系統(tǒng)等全方位知識

QQ群：81035754