目录
- keras指定运行时显卡及限制GPU用量
- 一、指定显卡
- 二、限制GPU用量
- 1、设置使用GPU的百分比
- 2、GPU按需使用
- 三、指定GPU并且限制GPU用量
- 总结
keras指定运行时显卡及限制GPU用量
keras在使用GPU的时候有个特点，就是默认全部占满显存。
这样如果有多个模型都需要使用GPU跑的话，那么限制是很大的，而且对于GPU也是一种浪费。
因此在使用keras时需要有意识的设置运行时使用那块显卡，需要使用多少容量。
这方面的设置一般有三种情况：
- 1. 指定显卡
- 2. 限制GPU用量
- 3. 即指定显卡又限制GPU用量
查看GPU使用情况语句（linux）
# 1秒钟刷新一次
watch -n 1 nvidia-smi
一、指定显卡
import os
os.environ[\”CUDA_VISIBLE_DEVICES\”] = \”2\”
这里指定了使用编号为2的GPU，大家可以根据需要和实际情况来指定使用的GPU
二、限制GPU用量
1、设置使用GPU的百分比
import tensorflow as tf
import keras.backend.tensorflow_backend as KTF
#进行配置，使用30%的GPU
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.3
session = tf.Session(config=config)
# 设置session
KTF.set_session(session )
需要注意的是，虽然代码或配置层面设置了对显存占用百分比阈值，但在实际运行中如果达到了这个阈值，程序有需要的话还是会突破这个阈值。
换而言之如果跑在一个大数据集上还是会用到更多的显存。
以上的显存限制仅仅为了在跑小数据集时避免对显存的浪费而已。
2、GPU按需使用
import tensorflow as tf
import keras.backend.tensorflow_backend as KTF
config = tf.ConfigProto()
config.gpu_options.allow_growth=True #不全部占满显存, 按需分配
session = tf.Session(config=config)
# 设置session
KTF.set_session(sess)
三、指定GPU并且限制GPU用量
这个比较简单，就是讲上面两种情况连上即可。。。
import os
import tensorflow as tf
import keras.backend.tensorflow_backend as KTF
# 指定第一块GPU可用
os.environ[\”CUDA_VISIBLE_DEVICES\”] = \”0\”
config = tf.ConfigProto()
config.gpu_options.allow_growth=True #不全部占满显存, 按需分配
sess = tf.Session(config=config)
KTF.set_session(sess)
总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持悠久资源网。
您可能感兴趣的文章:
- keras多显卡训练方式
- TensorFlow和keras中GPU使用的设置操作
- 解决Keras使用GPU资源耗尽的问题
- Keras – GPU ID 和显存占用设定步骤
- keras实现多GPU或指定GPU的使用介绍
- keras 多gpu并行运行案例
