[教程1]使用GPU

支持的設備

在典型的系統中，有多個計算設備。在TensorFlow中，支持的設備類型是CPU和GPU。它們被表示為strings。例如：

• "/cpu:0"：機器的CPU。
• "/gpu:0"你的機器的GPU，如果你有一個。
• "/gpu:1"你的機器的第二個GPU等

如果TensorFlow操作具有CPU和GPU兩種實現方式，則在將操作分配給設備時，GPU設備將被賦予優先級。例如，matmul具有CPU和GPU內核。在用設備的系統cpu:0和 gpu:0，gpu:0將選擇運行matmul。

記錄設備位置

要找出您的操作和張量被分配到哪些設備，請創建log_device_placement

# Creates a graph.
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name=‘a‘)
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name=‘b‘)
c = tf.matmul(a, b)
# Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
 
# Runs the op.
print(sess.run(c))

您應該看到以下輸出：

Device mapping:
/job:localhost/replica:0/task:0/gpu:0 -> device: 0, name: Tesla K40c, pci bus
id: 0000:05:00.0
b: /job:localhost/replica:0/task:0/gpu:0
a: /job:localhost/replica:0/task:0/gpu:0
MatMul: /job:localhost/replica:0/task:0/gpu:0
[[ 22.  28.]
 [ 49.  64.]]

手動裝置放置

如果您希望特定的操作在您選擇的設備上運行，而不是自動選擇

# Creates a graph.
with tf.device(‘/cpu:0‘):
  a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name=‘a‘)
  b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name=‘b‘)
c = tf.matmul(a, b)
# Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
# Runs the op.
print(sess.run(c))

你會看到現在a並被b分配到cpu:0。由於沒有為MatMul操作明確指定設備，所以TensorFlow運行時將根據操作和可用設備（gpu:0在本示例中）選擇一個設備，如果需要，可以在設備之間自動復制張量。

Device mapping:
/job:localhost/replica:0/task:0/gpu:0 -> device: 0, name: Tesla K40c, pci bus
id: 0000:05:00.0
b: /job:localhost/replica:0/task:0/cpu:0
a: /job:localhost/replica:0/task:0/cpu:0
MatMul: /job:localhost/replica:0/task:0/gpu:0
[[ 22.  28.]
 [ 49.  64.]]

允許GPU內存增長

默認情況下，TensorFlow將幾乎所有GPU的GPU內存映射 CUDA_VISIBLE_DEVICES到該進程可見。這樣做可以通過減少內存碎片來更有效地使用設備上相對寶貴的GPU內存資源。

在某些情況下，該過程只需要分配可用內存的一個子集，或只是根據進程需要增加內存使用情況。TensorFlow在會話中提供了兩個配置選項來控制此功能。

第一個是allow_growth選項，它試圖基於運行時分配分配只有GPU內存：它開始分配很少的內存，並且隨著Sessions的運行和更多的GPU內存的需要，我們擴展了TensorFlow所需的GPU內存區域處理。請註意，我們不釋放內存，因為這可能會導致更糟糕的內存碎片。要打開此選項，請在ConfigProto中將選項設置為：

config = tf.ConfigProto()
config.gpu_options.allow_growth = True
session = tf.Session(config=config, ...)

第二種方法是per_process_gpu_memory_fraction選項，它決定了每個可見GPU應分配的總體內存量的分數。例如，您可以告訴TensorFlow僅通過以下方式分配每個GPU的總內存的40％：

config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.4
session = tf.Session(config=config, ...)

如果要真正限制TensorFlow進程可用的GPU內存量，這是非常有用的。

在多GPU系統上使用單個GPU

如果您的系統中有多個GPU，則默認情況下將選擇具有最低ID的GPU。如果您想在不同的GPU上運行，則需要明確指定首選項：

# Creates a graph.
with tf.device(‘/gpu:2‘):
  a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name=‘a‘)
  b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name=‘b‘)
  c = tf.matmul(a, b)
# Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
# Runs the op.
print(sess.run(c))

如果您指定的設備不??存在，您將獲得 InvalidArgumentError：

InvalidArgumentError: Invalid argument: Cannot assign a device to node ‘b‘:
Could not satisfy explicit device specification ‘/gpu:2‘
   [[Node: b = Const[dtype=DT_FLOAT, value=Tensor<type: float shape: [3,2]
   values: 1 2 3...>, _device="/gpu:2"]()]]

如果您想TensorFlow自動選擇現有的支持機構運行的情況下，指定一個不存在的操作，您可以設置allow_soft_placement以True創建會話時的配置選項。

# Creates a graph.
with tf.device(‘/gpu:2‘):
  a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name=‘a‘)
  b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name=‘b‘)
  c = tf.matmul(a, b)
# Creates a session with allow_soft_placement and log_device_placement set
# to True.
sess = tf.Session(config=tf.ConfigProto(
      allow_soft_placement=True, log_device_placement=True))
# Runs the op.
print(sess.run(c))

使用多個GPU

如果您想在多個GPU上運行TensorFlow，您可以以多塔方式構建您的模型，其中每個塔分配給不同的GPU。例如：

# Creates a graph.
c = []
for d in [‘/gpu:2‘, ‘/gpu:3‘]:
  with tf.device(d):
    a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3])
    b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2])
    c.append(tf.matmul(a, b))
with tf.device(‘/cpu:0‘):
  sum = tf.add_n(c)
# Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
# Runs the op.
print(sess.run(sum))

您將看到以下輸出。

Device mapping:
/job:localhost/replica:0/task:0/gpu:0 -> device: 0, name: Tesla K20m, pci bus
id: 0000:02:00.0
/job:localhost/replica:0/task:0/gpu:1 -> device: 1, name: Tesla K20m, pci bus
id: 0000:03:00.0
/job:localhost/replica:0/task:0/gpu:2 -> device: 2, name: Tesla K20m, pci bus
id: 0000:83:00.0
/job:localhost/replica:0/task:0/gpu:3 -> device: 3, name: Tesla K20m, pci bus
id: 0000:84:00.0
Const_3: /job:localhost/replica:0/task:0/gpu:3
Const_2: /job:localhost/replica:0/task:0/gpu:3
MatMul_1: /job:localhost/replica:0/task:0/gpu:3
Const_1: /job:localhost/replica:0/task:0/gpu:2
Const: /job:localhost/replica:0/task:0/gpu:2
MatMul: /job:localhost/replica:0/task:0/gpu:2
AddN: /job:localhost/replica:0/task:0/cpu:0
[[  44.   56.]
 [  98.  128.]]

該cifar10教程是一個很好的例子演示了如何做多GPU訓練。

[教程1]使用GPU