Tensorflow全局設(shè)置可見GPU編號操作

更新時間：2020年06月30日 09:29:33 作者：silent56_th

這篇文章主要介紹了Tensorflow全局設(shè)置可見GPU編號操作，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧

筆者需要tensorflow僅運行在一個GPU上（機器本身有多GPU），而且需要依據(jù)系統(tǒng)參數(shù)動態(tài)調(diào)節(jié)，故無法簡單使用CUDA_VISIBLE_DEVICES。

一種方式是全局使用tf.device函數(shù)生成的域，但設(shè)備號需要在繪制Graph前指定，仍然不夠靈活。

查閱文檔發(fā)現(xiàn)config的GPUOptions中的visible_device_list可以定義GPU編號從visible到virtual的映射，即可以設(shè)置tensorflow可見的GPU device，從而全局設(shè)置了tensorflow可見的GPU編號。代碼如下：

config = tf.ConfigProto()
config.gpu_options.visible_device_list = str(device_num)
sess = tf.Session(config=config)

參考多卡服務器下隱藏部分 GPU 和 TensorFlow 的顯存使用設(shè)置，還可以通過os包設(shè)置全局變量CUDA_VISIBLE_DEVICES，代碼如下：

os.environ["CUDA_VISIBLE_DEVICES"] = "2"

補充知識：TensorFlow 設(shè)置程序可見GPU與邏輯分區(qū)

TensorFlow 設(shè)置程序可見GPU(多GPU情況)

import matplotlib as mpl
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
import sklearn
import pandas as pd
import os
import sys
import time
import tensorflow as tf

from tensorflow_core.python.keras.api._v2 import keras

print(tf.__version__)
print(sys.version_info)
for module in mpl, np, pd, sklearn, tf, keras:
 print(module.__name__, module.__version__)

# 打印變量所在位置
tf.debugging.set_log_device_placement(True) 

# 獲取物理GPU的個數(shù)
gpus = tf.config.experimental.list_physical_devices("GPU") 

if len(gpus) >= 1:
 # 設(shè)置第幾個GPU 當前程序可見
 tf.config.experimental.set_visible_devices(gpus[0], "GPU")
 
print("物理GPU個數(shù):", len(gpus))

# 獲取邏輯GPU的個數(shù)
logical_gpus = tf.config.experimental.list_logical_devices("GPU") 
print("邏輯GPU個數(shù):", len(logical_gpus))

TensorFlow 設(shè)置GPU的邏輯分區(qū)

import matplotlib as mpl
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
import sklearn
import pandas as pd
import os
import sys
import time
import tensorflow as tf

from tensorflow_core.python.keras.api._v2 import keras

print(tf.__version__)
print(sys.version_info)
for module in mpl, np, pd, sklearn, tf, keras:
 print(module.__name__, module.__version__)

# 打印變量所在位置
tf.debugging.set_log_device_placement(True) 

# 獲取物理GPU的個數(shù)
gpus = tf.config.experimental.list_physical_devices("GPU") 

if len(gpus) >= 1:
 # 設(shè)置第幾個GPU 當前程序可見
 tf.config.experimental.set_visible_devices(gpus[0], "GPU")
 
 # 設(shè)置GPU的 邏輯分區(qū)
 tf.config.experimental.set_virtual_device_configuration(
  gpus[0], 
  [tf.config.experimental.VirtualDeviceConfiguration(memory_limit=3072),
   tf.config.experimental.VirtualDeviceConfiguration(memory_limit=3072)])

print("物理GPU個數(shù):", len(gpus))

# 獲取邏輯GPU的個數(shù)
logical_gpus = tf.config.experimental.list_logical_devices("GPU") 
print("邏輯GPU個數(shù):", len(logical_gpus))

TensorFlow 手動設(shè)置處理GPU

import matplotlib as mpl
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
import sklearn
import pandas as pd
import os
import sys
import time
import tensorflow as tf

from tensorflow_core.python.keras.api._v2 import keras

print(tf.__version__)
print(sys.version_info)
for module in mpl, np, pd, sklearn, tf, keras:
 print(module.__name__, module.__version__)

# 打印變量所在位置
tf.debugging.set_log_device_placement(True) 

# 自動指定處理設(shè)備
tf.config.set_soft_device_placement(True)

# 獲取物理GPU的個數(shù)
gpus = tf.config.experimental.list_physical_devices("GPU") 
for gpu in gpus:
 # 設(shè)置內(nèi)存自增長方式
 tf.config.experimental.set_memory_growth(gpu, True) 
print("物理GPU個數(shù):", len(gpus))

# 獲取邏輯GPU的個數(shù)
logical_gpus = tf.config.experimental.list_logical_devices("GPU") 
print("邏輯GPU個數(shù):", len(logical_gpus))

c = []

# 循環(huán)遍歷當前邏輯GPU
for gpu in logical_gpus:
 print(gpu.name)

 # 手動設(shè)置處理GPU
 with tf.device(gpu.name):
  a = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
  b = tf.constant([[1.0, 2.0], [3.0, 4.0], [5.0, 6.0]])
  
  # 矩陣相乘 并且添加至列表
  c.append(tf.matmul(a, b))

# 手動設(shè)置處理GPU
with tf.device("/GPU:0"):
 matmul_sum = tf.add_n(c)

print(matmul_sum)

以上這篇Tensorflow全局設(shè)置可見GPU編號操作就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: