TF與keras指定運行時顯卡及限制GPU用量

https://blog.csdn.net/github_36326955/article/details/79910448

keras在使用GPU的時候有個特點，就是默認全部佔滿顯存。 這樣如果有多個模型都需要使用GPU跑的話，那麼限制是很大的，而且對於GPU也是一種浪費。因此在使用keras時需要有意識的設置運行時使用那塊顯卡，需要使用多少容量。

這方面的設置一般有三種情況： 
1. 指定顯卡 
2. 限制GPU用量 
3. 即指定顯卡又限制GPU用量

查看GPU使用情況語句（linux）
# 1秒鐘刷新一次
watch -n 1 nvidia-smi

一、指定顯卡

import os
os.environ["CUDA_VISIBLE_DEVICES"] = "2"

這裏指定了使用編號爲2的GPU，大家可以根據需要和實際情況來指定使用的GPU二、限制GPU用量
1、設置使用GPU的百分比

1. import tensorflow as tf

2. import keras.backend.tensorflow_backend as KTF

3.  

4. #進行配置，使用30%的GPU

5. config = tf.ConfigProto()

6. config.gpu_options.per_process_gpu_memory_fraction = 0.3

7. session = tf.Session(config=config)# 設置session

8. KTF.set_session(session )

需要注意的是，雖然代碼或配置層面設置了對顯存佔用百分比閾值，但在實際運行中如果達到了這個閾值，程序有需要的話還是會突破這個閾值。換而言之如果跑在一個大數據集上還是會用到更多的顯存。以上的顯存限制僅僅爲了在跑小數據集時避免對顯存的浪費而已。

2、GPU按需使用

1. import tensorflow as tf

2. import keras.backend.tensorflow_backend as KTF

3.  

4. config = tf.ConfigProto()  

5. config.gpu_options.allow_growth=True   #不全部佔滿顯存, 按需分配

6. session = tf.Session(config=config)

7.  

8. # 設置session

9. KTF.set_session(sess)

 

三、指定GPU並且限制GPU用量

這個比較簡單，就是講上面兩種情況連上即可。。。

1. import os

2. import tensorflow as tf

3. import keras.backend.tensorflow_backend as KTF

4.  

5. # 指定第一塊GPU可用 

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

7.  

8. config = tf.ConfigProto()  

9. config.gpu_options.allow_growth=True   #不全部佔滿顯存, 按需分配

10. sess = tf.Session(config=config)

11.  

12. KTF.set_session(sess)

--------------------- 
作者：silent彥沁 
來源：CSDN 
原文：https://blog.csdn.net/A632189007/article/details/77978058 
版權聲明：本文爲博主原創文章，轉載請附上博文鏈接！