久久国产一区,色99视频,国产成人一区二区三区久久久

Tensorflow支持基于cuda內(nèi)核與cudnn的GPU加速，Keras出現(xiàn)較晚，為Tensorflow的高層框架，由于Keras使用的方便性與很好的延展性，之后更是作為Tensorflow的官方指定第三方支持開源框架。

但兩者在使用GPU時都有一個特點，就是默認為全占滿模式。在訓練的情況下，特別是分步訓練時會導致顯存溢出，導致程序崩潰。

可以使用自適應配置來調(diào)整顯存的使用情況。

一、Tensorflow

1、指定顯卡

代碼中加入

import os
os.environ["CUDA_VISIBLE_DEVICES"] = "0"

或者在運行代碼前，在終端

export CUDA_VISIBLE_DEVICES=0

2、為顯存分配使用比例

在建立tf.Session加入設置數(shù)據(jù)（顯存使用比例為1/3），但有時你雖然設置了使用上限，在程序需要更高顯存時還是會越過該限制

gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.333)
sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))

3、自適應分配

會自適應分配顯存，不會將顯存全部分配導致資源浪費

				?

									config = tf.ConfigProto() 

									config.gpu_options.allow_growth=True

									sess = tf.Session(config=config)

二、Keras

與tensorflow大差不差，就是將tf.Session配置轉(zhuǎn)置Keras配置

1、指定顯卡

代碼中加入

import os
os.environ["CUDA_VISIBLE_DEVICES"] = "0"

或者在運行代碼前，在終端

export CUDA_VISIBLE_DEVICES=0

2、為顯存分配使用比例

				?

									import tensorflow as tf

									import keras.backend.tensorflow_backend as KTF

									config = tf.ConfigProto()

									config.gpu_options.per_process_gpu_memory_fraction = 0.333

									session = tf.Session(config=config)

									KTF.set_session(session)

3、自適應分配

				?

									import keras.backend.tensorflow_backend as KTF

									config = tf.ConfigProto() 

									config.gpu_options.allow_growth=True

									session = tf.Session(config=config)

									KTF.set_session(session)

4、如有設置fit_generator

將多線程關閉

				?

									#可將

									use_multiprocessing=True

									#改為

									use_multiprocessing=False

補充知識：Keras 自動分配顯存，不占用所有顯存

自動分配顯存，不占用所有顯存

				?

									import keras.backend.tensorflow_backend as KTF

									import tensorflow as tf

									import os

									os.environ["CUDA_VISIBLE_DEVICES"] = "1"

									config = tf.ConfigProto()

									config.gpu_options.allow_growth=True #不全部占滿顯存, 按需分配

									sess = tf.Session(config=config)

									KTF.set_session(sess)