会话

1,400次阅读
没有评论

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)

  1. 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。

  1. 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。

  1. 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

完整的config配置

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。

Q:tf.train.MonitorSession 与 tf.session 之间的差异?

admin
版权声明:本站原创文章,由admin2021-01-05发表,共计2455字。
转载提示:除特殊说明外本站文章皆由CC-4.0协议发布,转载请注明出处。
评论(没有评论)