初步嘗試 Keras (基于 Tensorflow 后端)深度框架時, 發現其對于 GPU 的使用比較神奇, 默認竟然是全部占滿顯存, 1080Ti 跑個小分類問題, 就一下子滿了. 而且是服務器上的兩張 1080Ti.
服務器上的多張 GPU 都占滿, 有點浪費性能.
因此, 需要類似于 Caffe 等框架的可以設定 GPU ID 和顯存自動按需分配.
實際中發現, Keras 還可以限制 GPU 顯存占用量.
這里涉及到的內容有：
GPU ID 設定
GPU 顯存占用按需分配
GPU 顯存占用限制
GPU 顯存優化
1. GPU ID 設定
|
1
2
3
|
#! -- coding: utf-8 --*--import osos.environ["CUDA_VISIBLE_DEVICES"] = "1" |
這里將 GPU ID 設為 1.
GPU ID 從 0 開始, GPUID=1 即表示第二塊 GPU.
2. GPU 顯存占用按需分配
|
1
2
3
4
5
6
7
8
9
|
#! -- coding: utf-8 --*--import tensorflow as tfimport keras.backend.tensorflow_backend as ktf# GPU 顯存自動調用config = tf.ConfigProto()config.gpu_options.allow_growth=Truesession = tf.Session(config=config)ktf.set_session(session) |
3. GPU 顯存占用限制
|
1
2
3
4
5
6
7
8
9
|
#! -- coding: utf-8 --*--import tensorflow as tfimport keras.backend.tensorflow_backend as ktf# 設定 GPU 顯存占用比例為 0.3config = tf.ConfigProto()config.gpu_options.per_process_gpu_memory_fraction = 0.3session = tf.Session(config=config)ktf.set_session(session ) |
這里雖然是設定了 GPU 顯存占用的限制比例(0.3), 但如果訓練所需實際顯存占用超過該比例, 仍能正常訓練, 類似于了按需分配.
設定 GPU 顯存占用比例實際上是避免一定的顯存資源浪費.
4. GPU ID 設定與顯存按需分配
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
#! -- coding: utf-8 --*--import osimport tensorflow as tfimport keras.backend.tensorflow_backend as ktf# GPU 顯存自動分配config = tf.ConfigProto()config.gpu_options.allow_growth=True#config.gpu_options.per_process_gpu_memory_fraction = 0.3session = tf.Session(config=config)ktf.set_session(session)# 指定GPUID, 第一塊GPU可用os.environ["CUDA_VISIBLE_DEVICES"] = "0" |
5. 利用fit_generator最小化顯存占用比例/數據Batch化
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
|
#! -- coding: utf-8 --*--# 將內存中的數據分批(batch_size)送到顯存中進行運算def generate_arrays_from_memory(data_train, labels_train, batch_size): x = data_train y=labels_train ylen=len(y) loopcount=ylen // batch_size while True: i = np.random.randint(0,loopcount) yield x[i*batch_size:(i+1)*batch_size],y[i*batch_size:(i+1)*batch_size]# load數據到內存data_train=np.loadtxt("./data_train.txt")labels_train=np.loadtxt('./labels_train.txt')data_val=np.loadtxt('./data_val.txt')labels_val=np.loadtxt('./labels_val.txt')hist=model.fit_generator(generate_arrays_from_memory(data_train, labels_train, batch_size), steps_per_epoch=int(train_size/bs), epochs=ne, validation_data=(data_val,labels_val), callbacks=callbacks ) |
5.1 數據 Batch 化
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
|
#! -- coding: utf-8 --*--def process_line(line): tmp = [int(val) for val in line.strip().split(',')] x = np.array(tmp[:-1]) y = np.array(tmp[-1:]) return x,y def generate_arrays_from_file(path,batch_size): while 1: f = open(path) cnt = 0 X =[] Y =[] for line in f: # create Numpy arrays of input data # and labels, from each line in the file x, y = process_line(line) X.append(x) Y.append(y) cnt += 1 if cnt==batch_size: cnt = 0 yield (np.array(X), np.array(Y)) X = [] Y = [] f.close() |
補充知識：Keras+Tensorflow指定運行顯卡以及關閉session空出顯存
Step1: 查看GPU
watch -n 3 nvidia-smi #在命令行窗口中查看當前GPU使用的情況， 3為刷新頻率
Step2: 導入模塊
導入必要的模塊
|
1
2
3
4
|
import osimport tensorflow as tffrom keras.backend.tensorflow_backend import set_sessionfrom numba import cuda |
Step3: 指定GPU
程序開頭指定程序運行的GPU
os.environ['CUDA_VISIBLE_DEVICES'] = '1' # 使用單塊GPU，指定其編號即可 （0 or 1or 2 or 3）
os.environ['CUDA_VISIBLE_DEVICES'] = '1,2,3' # 使用多塊GPU，指定其編號即可 (引號中指定即可)
Step4: 創建會話，指定顯存使用百分比
創建tensorflow的Session
|
1
2
3
|
config = tf.ConfigProto()config.gpu_options.per_process_gpu_memory_fraction = 0.1 # 設定顯存的利用率set_session(tf.Session(config=config)) |
Step5: 釋放顯存
確保Volatile GPU-Util顯示0%
程序運行完畢，關閉Session
|
1
2
3
4
|
K.clear_session() # 方法一：如果不關閉，則會一直占用顯存cuda.select_device(1) # 方法二：選擇GPU1cuda.close() #關閉選擇的GPU |
以上這篇Keras - GPU ID 和顯存占用設定步驟就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持服務器之家。
原文鏈接：https://blog.csdn.net/zziahgf/article/details/80226129
