詳解tf.device()指定tensorflow運行的GPU或CPU設備實現
在tensorflow中,我們可以使用 tf.device() 指定模型運行的具體設備,可以指定運行在GPU還是CUP上,以及哪塊GPU上。
設置使用GPU
使用 tf.device(‘/gpu:1’) 指定Session在第二塊GPU上運行:
import tensorflow as tf with tf.device('/gpu:1'): v1 = tf.constant([1.0, 2.0, 3.0], shape=[3], name='v1') v2 = tf.constant([1.0, 2.0, 3.0], shape=[3], name='v2') sumV12 = v1 + v2 with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess: print sess.run(sumV12)
ConfigProto() 中參數 log_device_placement=True 會打印出執行操作所用的設備,以上輸出:
如果安裝的是GPU版本的tensorflow,機器上有支持的GPU,也正確安裝瞭顯卡驅動、CUDA和cuDNN,默認情況下,Session會在GPU上運行:
import tensorflow as tf v1 = tf.constant([1.0, 2.0, 3.0], shape=[3], name='v1') v2 = tf.constant([1.0, 2.0, 3.0], shape=[3], name='v2') sumV12 = v1 + v2 with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess: print sess.run(sumV12)
默認在GPU:0上執行:
設置使用cpu
tensorflow中不同的GPU使用/gpu:0和/gpu:1區分,而CPU不區分設備號,統一使用 /cpu:0
import tensorflow as tf with tf.device('/cpu:0'): v1 = tf.constant([1.0, 2.0, 3.0], shape=[3], name='v1') v2 = tf.constant([1.0, 2.0, 3.0], shape=[3], name='v2') sumV12 = v1 + v2 with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess: print sess.run(sumV12)
到此這篇關於詳解tf.device()指定tensorflow運行的GPU或CPU設備實現的文章就介紹到這瞭,更多相關tensorflow運行GPU或CPU內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!
推薦閱讀:
- Win10下安裝CUDA11.0+CUDNN8.0+tensorflow-gpu2.4.1+pytorch1.7.0+paddlepaddle-gpu2.0.0
- Python深度學習TensorFlow神經網絡基礎概括
- TensorFlow可視化工具TensorBoard默認圖與自定義圖
- TensorFlow神經網絡學習之張量與變量概念
- win10+RTX3050ti+TensorFlow+cudn+cudnn配置深度學習環境的方法