我要评论keras指定运行时显卡及限制gpu用量
keras在使用gpu的时候有个特点，就是默认全部占满显存。
这样如果有多个模型都需要使用gpu跑的话，那么限制是很大的，而且对于gpu也是一种浪费。
因此在使用keras时需要有意识的设置运行时使用那块显卡，需要使用多少容量。
这方面的设置一般有三种情况：
- 1. 指定显卡
- 2. 限制gpu用量
- 3. 即指定显卡又限制gpu用量
查看gpu使用情况语句（linux）
# 1秒钟刷新一次 watch -n 1 nvidia-smi
一、指定显卡
import os os.environ["cuda_visible_devices"] = "2"
这里指定了使用编号为2的gpu，大家可以根据需要和实际情况来指定使用的gpu
二、限制gpu用量
1、设置使用gpu的百分比
import tensorflow as tf import keras.backend.tensorflow_backend as ktf #进行配置，使用30%的gpu config = tf.configproto() config.gpu_options.per_process_gpu_memory_fraction = 0.3 session = tf.session(config=config) # 设置session ktf.set_session(session )
需要注意的是，虽然代码或配置层面设置了对显存占用百分比阈值，但在实际运行中如果达到了这个阈值，程序有需要的话还是会突破这个阈值。
换而言之如果跑在一个大数据集上还是会用到更多的显存。
以上的显存限制仅仅为了在跑小数据集时避免对显存的浪费而已。
2、gpu按需使用
import tensorflow as tf import keras.backend.tensorflow_backend as ktf config = tf.configproto() config.gpu_options.allow_growth=true #不全部占满显存, 按需分配 session = tf.session(config=config) # 设置session ktf.set_session(sess)
三、指定gpu并且限制gpu用量
这个比较简单，就是讲上面两种情况连上即可。。。
import os import tensorflow as tf import keras.backend.tensorflow_backend as ktf # 指定第一块gpu可用 os.environ["cuda_visible_devices"] = "0" config = tf.configproto() config.gpu_options.allow_growth=true #不全部占满显存, 按需分配 sess = tf.session(config=config) ktf.set_session(sess)
总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持代码网。
发表评论