TensorFlow——tensorflow指定CPU与GPU运算

1.指定GPU运算

如果安装的是GPU版本，在运行的过程中能够自动检测。如果检测到GPU，会尽可能的利用找到的第一个GPU来执行操作。

如果机器上有超过一个可用的GPU，除了第一个之外的其他的GPU默认是不参与计算的。为了让使用这些GPU，必须将OP明确指派给他们执行。with......语句能够用来指派特定的CPU或者GPU执行操作：

import tensorflow as tf
import numpy as npwith tf.Session() as sess:with tf.device('/cpu:0'):a = tf.placeholder(tf.int32)b = tf.placeholder(tf.int32)add = tf.add(a, b)sum = sess.run(add, feed_dict={a: 3, b: 4})print(sum)

设备的字符串标识，当前支持的设备包括以下的几种：

cpu:0 机器的第一个cpu。

gpu:0 机器的第一个gpu，如果有的话

gpu:1 机器的第二个gpu，依次类推

类似的还有tf.来构建一个，在中指定相关的GPU，并且在中传入参数=“自己创建的”来指定gpu操作

其中，tf.函数的参数如下：

=True: 是否打印设备分配日志

=True: 如果指定的设备不存在，允许TF自动分配设备

import tensorflow as tf
import numpy as npconfig = tf.ConfigProto(log_device_placement=True, allow_soft_placement=True)with tf.Session(config=config) as sess:a = tf.placeholder(tf.int32)b = tf.placeholder(tf.int32)add = tf.add(a, b)sum = sess.run(add, feed_dict={a: 3, b: 4})print(sum)

2.设置GPU使用资源

上文的tf.函数生成的之后，还可以设置其属性来分配GPU的运算资源，如下代码就是按需分配

import tensorflow as tf
import numpy as npconfig = tf.ConfigProto(log_device_placement=True, allow_soft_placement=True)
config.gpu_options.allow_growth = Truewith tf.Session(config=config) as sess:a = tf.placeholder(tf.int32)b = tf.placeholder(tf.int32)add = tf.add(a, b)sum = sess.run(add, feed_dict={a: 3, b: 4})print(sum)

使用 ，刚开始会分配少量的GPU容量，然后按需要慢慢的增加，有与不会释放内存，随意会导致内存碎片。

同样，上述的代码也可以在创建时指定，

import tensorflow as tf
import numpy as npgpu_options = tf.GPUOptions(allow_growth=True)
config = tf.ConfigProto(gpu_options=gpu_options)with tf.Session(config=config) as sess:a = tf.placeholder(tf.int32)b = tf.placeholder(tf.int32)add = tf.add(a, b)sum = sess.run(add, feed_dict={a: 3, b: 4})print(sum)

我们还可以给gpu分配固定大小的计算资源。

gpu_options = tf.GPUOptions(allow_growth=True, per_process_gpu_memory_fraction=0.5)

上述代码的含义是分配给的GPU显存大小为：GPU的实际显存*0.5