TensorFlow学习——tf.GPUOptions和tf.ConfigProto用法解析

在服务器上用多GPU做训练时，由于想只用其中的一个GPU设备做训练，可使用深度学习代码运行时往往出现多个GPU显存被占满清理。出现该现象主要是tensorflow训练时默认占用所有GPU的显存。

查看你的源文件中是否有类似如下的代码片段：

with tf.Graph().as_default():gpu_options=tf.GPUOptions(per_process_gpu_memory_fraction=args.gpu_memory_fraction)sess=tf.Session(config=tf.ConfigProto(gpu_options=gpu_options,log_device_placement=False))with sess.as_default():

上述代码片段主要是在创建session的时候，对session进行参数配置用的，

tf.ConfigProto()的参数如下：

log_device_placement=True : 是否打印设备分配日志

allow_soft_placement=True ：如果你指定的设备不存在，允许TF自动分配设备

tf.ConfigProto(log_device_placement=True,allow_soft_placement=True)

在构造tf.Session()时可通过tf.GPUOptions作为可选配置参数的一部分来显示地指定需要分配的显存比例。

per_process_gpu_memory_fraction指定了每个GPU进程中使用显存的上限，但它只能均匀地作用于所有GPU，无法对不同GPU设置不同的上限。

示例代码如下：

#allow growth
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
session = tf.Session(config=config, ...)
# 使用allow_growth option，刚一开始分配少量的GPU容量，然后按需慢慢的增加，由于不会释放
#内存，所以会导致碎片

# per_process_gpu_memory_fraction
gpu_options=tf.GPUOptions(per_process_gpu_memory_fraction=0.7)
config=tf.ConfigProto(gpu_options=gpu_options)
session = tf.Session(config=config, ...)
#设置每个GPU应该拿出多少容量给进程使用，0.4代表 40%

指定GPU设备号和个数

方法一：如果你在终端指定GPU个数和ID号，如果电脑有多个GPU，tensorflow默认全部使用。如果想只使用部分GPU，可以设置CUDA_VISIBLE_DEVICES。在调用python程序时，可以使用：

CUDA_VISIBLE_DEVICES=1 python your_script.py #在运行脚本前指定GPU的设备号#常规设置有：
CUDA_VISIBLE_DEVICES=1           Only device 1 will be seen
CUDA_VISIBLE_DEVICES=0,1         Devices 0 and 1 will be visible
CUDA_VISIBLE_DEVICES="0,1"       Same as above, quotation marks are optional
CUDA_VISIBLE_DEVICES=0,2,3       Devices 0, 2, 3 will be visible; device 1 is masked
CUDA_VISIBLE_DEVICES=""          No GPU will be visible#你也可以使用
export CUDA_VISIBLE_DEVICES=2   #指定设备号

方法二：如果你在python原文件中作更改，在在文件开始处添加如下内容：

import os
os.environ["CUDA_VISIBLE_DEVICES"] = "2"  #指明了GPU ID号#若多个GPU的话
os.environ["CUDA_VISIBLE_DEVICES"] = "1,2"  #指明了两个GPU ID号，注意这里不区分双引号和单引号

实用技巧：

如果你在linux终端运行深度学习python脚本文件，运行中发现占用多个GPU和内存资源，则请先查看占用资源的进程归属方是谁：

$ps -f PID号

然后确认该进程可以kill掉情况下建议：

$kill -9 PID号

ctrl+Z指令只能强制结束当前流程，无法退出进程，所以发现有问题后用ctrl+Z后还需要kill进程。

TensorFlow学习——tf.GPUOptions和tf.ConfigProto用法解析相关推荐

TensorFlow学习笔记02:使用tf.data读取和保存数据文件
TensorFlow学习笔记02:使用tf.data读取和保存数据文件使用`tf.data`读取和写入数据文件读取和写入csv文件写入csv文件读取csv文件读取和保存TFRecord文件 ...
TensorFlow 学习（二）—— tf.Graph、tf.Session() 与 tf.Session().run()
session: with tf.Session() as sess:/ tf.InteractiveSession() 初始化: tf.global_variables_initializer() ...
TensorFlow 学习（一）—— tf.get_variable() vs tf.Variable()，tf.name_scope() vs tf.variable_scope()
scope 命名方法对于一个复杂的 tensorflow 模型会有很多个变量, tf.variable_scope() :提供了简单的命名空间技术以避免冲突: tf.get_variable():从 ...
TensorFlow 学习（一）—— tf get variable vs tf Variable ，tf nam
分享一下我老师大神的人工智能教程!零基础,通俗易懂!http://blog.csdn.net/jiangjunshow 也欢迎大家转载本篇文章.分享知识,造福人民,实现我们中华民族伟大复兴! scop ...
TensorFlow 学习（十三）—— tf.app.flags
flags = tf.app.flags FLAGS = flags.FLAGSflags.DEFINE_integer('num_hidden_layers', 3, 'number of hidd ...
tensorflow学习笔记：tf.data.Dataset，from_tensor_slices(),shuffle()，batch()的用法
tf.data.Dataset.from_tensor_slices: 它的作用是切分传入Tensor的第一个维度,生成相应的dataset. 例1: dataset = tf.data.Datase ...
TF：tensorflow框架中常用函数介绍—tf.Variable()和tf.get_variable()用法及其区别
TF:tensorflow框架中常用函数介绍-tf.Variable()和tf.get_variable()用法及其区别目录 tensorflow框架 tensorflow.Variable()函数 ...
TF学习——TF之API：TensorFlow的高级机器学习API—tf.contrib.learn的简介、使用方法、案例应用之详细攻略
TF学习--TF之API:TensorFlow的高级机器学习API-tf.contrib.learn的简介.使用方法.案例应用之详细攻略目录 tf.contrib.learn的简介 tf.contr ...
TensorFlow学习笔记（十七）tf.nn.conv2d
在给定的4D input与filter下计算2D卷积输入shape为[batch, height, width, in_channels] TensorFlow的CNN代码中有 tf.nn.conv2 ...

TensorFlow学习——tf.GPUOptions和tf.ConfigProto用法解析

指定GPU设备号和个数

TensorFlow学习——tf.GPUOptions和tf.ConfigProto用法解析相关推荐

最新文章

热门文章