位置: IT常识 - 正文
tensorflow使用显卡gpu进行训练详细教程(tensorflow dlib)
编辑：rootadmin推荐整理分享tensorflow使用显卡gpu进行训练详细教程(tensorflow dlib)，希望有所帮助，仅作参考，欢迎阅读内容。
文章相关热门搜索词:tensorflow hmm,tensorflow hmm,tensorflows,tensorflow hmm,tensorflow dlib,tensorflow v1,tensorflowgpu,tensorflowgpu,内容如对您有帮助，希望把文章链接给更多的朋友！
cmd: nvidia-smi
GPU之nvidia-smi命令详解 - 简书
编辑
GPU：本机中的GPU编号（有多块显卡的时候，从0开始编号）图上GPU的编号是：0
Fan：风扇转速（0%-100%），N/A表示没有风扇
Name：GPU类型，图上GPU的类型是：Tesla T4
Temp：GPU的温度（GPU温度过高会导致GPU的频率下降）
Perf：GPU的性能状态，从P0（最大性能）到P12（最小性能），图上是：P0
Persistence-M：持续模式的状态，持续模式虽然耗能大，但是在新的GPU应用启动时花费的时间更少，图上显示的是：off
Pwr：Usager/Cap：能耗表示，Usage：用了多少，Cap总共多少
Bus-Id：GPU总线相关显示，domain：bus：device.function
Disp.A：Display Active ，表示GPU的显示是否初始化
Memory-Usage：显存使用率
Volatile GPU-Util：GPU使用率
Uncorr. ECC：关于ECC的东西，是否开启错误检查和纠正技术，0/disabled,1/enabled
Compute M：计算模式，0/DEFAULT,1/EXCLUSIVE_PROCESS,2/PROHIBITED
Processes：显示每个进程占用的显存使用率、进程号、占用的哪个GPU
隔几秒刷新一下显存状态：nvidia-smi -l 秒数
隔两秒刷新一下GPU的状态：nvidia-smi -l 2
tensorflow的显卡使用方式1、直接使用这种方式会把当前机器上所有的显卡的剩余显存基本都占用，注意是机器上所有显卡的剩余显存。因此程序可能只需要一块显卡，但是程序就是这么霸道，我不用其他的显卡，或者我用不了那么多显卡，但是我就是要占用。
with tf.compat.v1.Session() as sess:# 输入图片为256x256，2个分类shape, classes = (224, 224, 3), 20# 调用keras的ResNet50模型model = keras.applications.resnet50.ResNet50(input_shape = shape, weights=None, classes=classes)model.compile(optimizer="adam", loss="sparse_categorical_crossentropy", metrics=["accuracy"])# 训练模型 categorical_crossentropy sparse_categorical_crossentropy# training = model.fit(train_x, train_y, epochs=50, batch_size=10)model.fit(train_x,train_y,validation_data=(test_x, test_y), epochs=20, batch_size=6,verbose=2)# # 把训练好的模型保存到文件model.save('resnet_model_dog_n_face.h5')2、分配比例使用其中这种方式跟上面直接使用方式的差异就是，我不占用所有的显存了，例如这样写，我就占有每块显卡的60%。
from tensorflow.compat.v1 import ConfigProto# tf 2.x的写法config =ConfigProto()config.gpu_options.per_process_gpu_memory_fraction=0.6with tf.compat.v1.Session(config=config) as sess:model = keras.applications.resnet50.ResNet50(input_shape = shape, weights=None, classes=classes)3. 动态申请使用这种方式是动态申请显存的，只会申请内存，不会释放内存。而且如果别人的程序把剩余显卡全部占了，就会报错。
以上三种方式，应根据场景来选择。
第一种因为是全部占用内存，因此只要模型的大小不超过显存的大小，就不会产生显存碎片，影响计算性能。可以说合适部署应用的配置。
第二种和第三种适合多人使用一台服务器的情况，但第二种存在浪费显存的情况，第三种在一定程序上避免了显存的浪费，但极容易出现程序由于申请不到内存导致崩溃的情况。
config = tf.compat.v1.ConfigProto()config.gpu_options.allow_growth = Truesession = tf.compat.v1.InteractiveSession(config=config)with tf.compat.v1.Session(config=config) as sess:model4 指定GPU在有多块GPU的服务器上运行tensorflow的时候，如果使用python编程，则可指定GPU，代码如下：
import osos.environ["CUDA_VISIBLE_DEVICES"] = "2"配上一个完整的示例：resnet50图片分类：
编辑
config = tf.compat.v1.ConfigProto()config.gpu_options.allow_growth = Truesession = tf.compat.v1.InteractiveSession(config=config)with tf.compat.v1.Session(config=config) as sess:# 输入图片为256x256，2个分类shape, classes = (224, 224, 3), 20# 调用keras的ResNet50模型model = keras.applications.resnet50.ResNet50(input_shape = shape, weights=None, classes=classes)model.compile(optimizer="adam", loss="sparse_categorical_crossentropy", metrics=["accuracy"])# 训练模型 categorical_crossentropy sparse_categorical_crossentropy# training = model.fit(train_x, train_y, epochs=50, batch_size=10)model.fit(train_x,train_y,validation_data=(test_x, test_y), epochs=20, batch_size=6,verbose=2)# # 把训练好的模型保存到文件model.save('resnet_model_dog_n_face.h5')上一篇：vue（绑定style属性）(vue绑定css样式)
下一篇：斯洛文尼亚索奇河上的木制吊桥上骑自行车的人的鸟瞰图 (© Amazing Aerial Agency/Offset by Shutterstock)(斯洛文尼亚nba球星是谁)
