一、多張gpu的卡上使用keras

有多張gpu卡時，推薦使用tensorflow 作為後端。使用多張gpu執行model，可以分為兩種情況，一是資料並行，二是裝置並行。

二、資料並行

資料並行將目標模型在多個裝置上各複製一份，並使用每個裝置上的複製品處理整個資料集的不同部分資料。

利用multi_gpu_model實現

keras.utils.multi_gpu_model(model,gpus=None,cpu_merge=True,cpu_relocation=False)

具體來說，該功能實現了單機多 GPU 資料並行性。 它的工作原理如下：

將模型的輸入分成多個子批次。

在每個子批次上應用模型副本。 每個模型副本都在專用 GPU 上執行。

將結果（在 CPU 上）連線成一個大批量。

例如， 如果你的 batch_size 是 64，且你使用 gpus=2， 那麼我們將把輸入分為兩個 32 個樣本的子批次， 在 1 個 GPU 上處理 1 個子批次，然後返回完整批次的 64 個處理過的樣本。

引數

model: 一個 Keras 模型例項。為了避免OOM錯誤，該模型可以建立在 CPU 上， 詳見下面的使用樣例。

gpus: 整數 >= 2 或整數列表，建立模型副本的 GPU 數量， 或 GPU ID 的列表。

cpu_merge: 一個布林值，用於標識是否強制合併 CPU 範圍內的模型權重。

cpu_relocation: 一個布林值，用來確定是否在 CPU 的範圍內建立模型的權重。如果模型沒有在任何一個裝置範圍內定義，您仍然可以通過啟用這個選項來拯救它。

返回

一個 Keras Model 例項，它可以像初始 model 引數一樣使用，但它將工作負載分佈在多個 GPU 上。

例子

import tensorflow as tf
from keras.applications import Xception
from keras.utils import multi_gpu_model
import numpy as np

num_samples = 1000
height = 224
width = 224
num_classes = 1000

# 例項化基礎模型（或者「模版」模型）。
# 我們推薦在 CPU 裝置範圍內做此操作，
# 這樣模型的權重就會儲存在 CPU 記憶體中。
# 否則它們會儲存在 GPU 上，而完全被共享。
with tf.device('/cpu:0'):
 model = Xception(weights=None,input_shape=(height,width,3),classes=num_classes)

# 複製模型到 8 個 GPU 上。
# 這假設你的機器有 8 個可用 GPU。
parallel_model = multi_gpu_model(model,gpus=8)
parallel_model.compile(loss='categorical_crossentropy',optimizer='rmsprop')

# 生成虛擬資料
x = np.random.random((num_samples,height,3))
y = np.random.random((num_samples,num_classes))

# 這個 `fit` 呼叫將分佈在 8 個 GPU 上。
# 由於 batch size 是 256,每個 GPU 將處理 32 個樣本。
parallel_model.fit(x,y,epochs=20,batch_size=256)

# 通過模版模型儲存模型（共享相同權重）：
model.save('my_model.h5')

注意：

要儲存多 GPU 模型，請通過模板模型（傳遞給 multi_gpu_model 的引數）呼叫 .save(fname) 或 .save_weights(fname) 以進行儲存，而不是通過 multi_gpu_model 返回的模型。

即要用model來儲存，而不是parallel_model來儲存。

使用ModelCheckpoint() 遇到的問題

使用ModelCheckpoint()會遇到下面的問題：

TypeError: can't pickle ...(different text at different situation) objects

這個問題和儲存問題類似，ModelCheckpoint() 會自動呼叫parallel_model.save()來儲存，而不是model.save()，因此我們要自己寫一個召回函式，使得ModelCheckpoint()用model.save()。

修改方法：

class ParallelModelCheckpoint(ModelCheckpoint):
 def __init__(self,model,filepath,monitor='val_loss',verbose=0,save_best_only=False,save_weights_only=False,mode='auto',period=1):
 self.single_model = model
 super(ParallelModelCheckpoint,self).__init__(filepath,monitor,verbose,save_best_only,save_weights_only,mode,period)

 def set_model(self,model):
 super(ParallelModelCheckpoint,self).set_model(self.single_model)

checkpoint = ParallelModelCheckpoint(original_model)

ParallelModelCheckpoint呼叫的時候，model應該為原來的model而不是parallel_model。

EarlyStopping 沒有此類問題

二、裝置並行

裝置並行適用於多分支結構，一個分支用一個gpu。

這種並行方法可以通過使用TensorFlow device scopes實現，下面是一個例子：

# Model where a shared LSTM is used to encode two different sequences in parallel
input_a = keras.Input(shape=(140,256))
input_b = keras.Input(shape=(140,256))

shared_lstm = keras.layers.LSTM(64)

# Process the first sequence on one GPU
with tf.device_scope('/gpu:0'):
 encoded_a = shared_lstm(tweet_a)
# Process the next sequence on another GPU
with tf.device_scope('/gpu:1'):
 encoded_b = shared_lstm(tweet_b)

# Concatenate results on CPU
with tf.device_scope('/cpu:0'):
 merged_vector = keras.layers.concatenate([encoded_a,encoded_b],axis=-1)

三、分散式執行

keras的分散式是利用TensorFlow實現的，要想完成分散式的訓練，你需要將Keras註冊在連線一個叢集的TensorFlow會話上：

server = tf.train.Server.create_local_server()
sess = tf.Session(server.target)

from keras import backend as K
K.set_session(sess)

以上這篇keras 多gpu並行執行案例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，也希望大家多多支援我們。