[教程1]使用GPU

Posted 2020-10-12

[教程1]使用GPU

支持的设备

在典型的系统中，有多个计算设备。在TensorFlow中，支持的设备类型是CPU和GPU。它们被表示为strings。例如：

• "/cpu:0"：机器的CPU。
• "/gpu:0"你的机器的GPU，如果你有一个。
• "/gpu:1"你的机器的第二个GPU等

如果TensorFlow操作具有CPU和GPU两种实现方式，则在将操作分配给设备时，GPU设备将被赋予优先级。例如，matmul具有CPU和GPU内核。在用设备的系统cpu:0和 gpu:0，gpu:0将选择运行matmul。 

记录设备位置

要找出您的操作和张量被分配到哪些设备，请创建log_device_placement配置选项设置为的会话True

# 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))

您应该看到以下输出：

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.]]

手动装置放置

如果您希望特定的操作在您选择的设备上运行，而不是自动选择with tf.device 的设备，则可以使用创建设备上下文，使该上下文中的所有操作具有相同的设备分配。

# 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))

你会看到现在a并被b分配到cpu:0。由于没有为MatMul操作明确指定设备，所以TensorFlow运行时将根据操作和可用设备（gpu:0在本示例中）选择一个设备，如果需要，可以在设备之间自动复制张量。

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.]]

允许GPU内存增长

 默认情况下，TensorFlow将几乎所有GPU的GPU内存映射 CUDA_VISIBLE_DEVICES到该进程可见。这样做可以通过减少内存碎片来更有效地使用设备上相对宝贵的GPU内存资源。

在某些情况下，该过程只需要分配可用内存的一个子集，或只是根据进程需要增加内存使用情况。TensorFlow在会话中提供了两个配置选项来控制此功能。

 

第一个是allow_growth选项，它试图基于运行时分配分配只有GPU内存：它开始分配很少的内存，并且随着Sessions的运行和更多的GPU内存的需要，我们扩展了TensorFlow所需的GPU内存区域处理。请注意，我们不释放内存，因为这可能会导致更糟糕的内存碎片。要打开此选项，请在ConfigProto中将选项设置为：

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

第二种方法是per_process_gpu_memory_fraction选项，它决定了每个可见GPU应分配的总体内存量的分数。例如，您可以告诉TensorFlow仅通过以下方式分配每个GPU的总内存的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进程可用的GPU内存量，这是非常有用的。

在多GPU系统上使用单个GPU

如果您的系统中有多个GPU，则默认情况下将选择具有最低ID的GPU。如果您想在不同的GPU上运行，则需要明确指定首选项：

# 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))

如果您指定的设备不??存在，您将获得 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自动选择现有的支持机构运行的情况下，指定一个不存在的操作，您可以设置allow_soft_placement以True创建会话时的配置选项。

# 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))

使用多个GPU

如果您想在多个GPU上运行TensorFlow，您可以以多塔方式构建您的模型，其中每个塔分配给不同的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))

您将看到以下输出。

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.]]

该cifar10教程是一个很好的例子演示了如何做多GPU训练。