会话

3,234次阅读

共计 2455 个字符，预计需要花费 7 分钟才能阅读完成。

tf.ConfigProto()函数用在创建session的时候，用来对session进行参数配置：

config = tf.ConfigProto(allow_soft_placement=True)

config.gpu_options.per_process_gpu_memory_fraction = 0.4 #占用40%显存

sess = tf.Session(config=config)

记录设备指派情况 : tf.ConfigProto(log_device_placement=True)

设置tf.ConfigProto()中参数log_device_placement = True ,可以获取到 operations 和 Tensor 被指派到哪个设备(几号CPU或几号GPU)上运行,会在终端打印出各项操作是在哪个设备上运行的。

自动选择运行设备： tf.ConfigProto(allow_soft_placement=True)

在tf中，通过命令 “with tf.device(‘/cpu:0’):”,允许手动设置操作运行的设备。如果手动设置的设备不存在或者不可用，就会导致tf程序等待或异常，为了防止这种情况，可以设置tf.ConfigProto()中参数allow_soft_placement=True，允许tf自动选择一个存在并且可用的设备来运行操作。

限制GPU资源使用：

为了加快运行效率，TensorFlow在初始化时会尝试分配所有可用的GPU显存资源给自己，这在多人使用的服务器上工作就会导致GPU占用，别人无法使用GPU工作的情况。

tf提供了两种控制GPU资源使用的方法，一是让TensorFlow在运行过程中动态申请显存，需要多少就申请多少;第二种方式就是限制GPU的使用率。

一、动态申请显存

config = tf.ConfigProto()

config.gpu_options.allow_growth = True

session = tf.Session(config=config)

二、限制GPU使用率

config = tf.ConfigProto()

config.gpu_options.per_process_gpu_memory_fraction = 0.4 #占用40%显存

session = tf.Session(config=config)

或者：

gpu_options=tf.GPUOptions(per_process_gpu_memory_fraction=0.4)

config=tf.ConfigProto(gpu_options=gpu_options)

session = tf.Session(config=config)

设置使用哪块GPU

方法一、在python程序中设置：

os.environ[‘CUDA_VISIBLE_DEVICES’] = ‘0’ #使用 GPU 0 os.environ[‘CUDA_VISIBLE_DEVICES’] = ‘0,1’ # 使用 GPU 0，1

`allow_soft_placement`	`bool allow_soft_placement`
`cluster_def`	`ClusterDef cluster_def`
`device_count`	`repeated DeviceCountEntry device_count`
`device_filters`	`repeated string device_filters`
`experimental`	`Experimental experimental`
`gpu_options`	`GPUOptions gpu_options`
`graph_options`	`GraphOptions graph_options`
`inter_op_parallelism_threads`	`int32 inter_op_parallelism_threads`
`intra_op_parallelism_threads`	`int32 intra_op_parallelism_threads`
`isolate_session_state`	`bool isolate_session_state`
`log_device_placement`	`bool log_device_placement`
`operation_timeout_in_ms`	`int64 operation_timeout_in_ms`
`placement_period`	`int32 placement_period`
`rpc_options`	`RPCOptions rpc_options`
`session_inter_op_thread_pool`	`repeated ThreadPoolOptionProto session_inter_op_thread_pool`
`share_cluster_devices_in_session`	`bool share_cluster_devices_in_session`
`use_per_session_threads`	`bool use_per_session_threads`

运行TensorFlow图时，有几种可能的并行形式，这些选项提供了一些控制多核CPU并行性:

如果您具有可以在内部并行化的操作，例如矩阵乘法(tf.matmul())或归约(例如tf.reduce_sum())，TensorFlow将通过在具有intra_op_parallelism_threads线程的线程池中调度任务来执行该操作。因此，此配置选项控制单个操作的最大并行加速。请注意，如果并行运行多个操作，则这些操作将共享此线程池。
如果您在TensorFlow图中有许多独立的操作-因为在数据流图中它们之间没有直接的路径-TensorFlow将尝试使用带有inter_op_parallelism_threads线程的线程池并发运行它们。如果这些操作具有多线程实现，则它们(在大多数情况下)将共享同一线程池以进行操作内并行操作。

正文完

请博主喝杯咖啡吧！