深度学习---GPU的设置

 

GPU设置的方法有两种：

1、使用Python指定GPU

（1）在使用之前，首先要查看GPU的占用情况，使用命令：nvidia-smi。

左侧的0,1,2,3的编号代表GPU的编号，在后面设置GPU时会用到。可以看出1卡和2卡是处于占用状态，使用的时候，就可以使用0卡和3卡。

Note：查看正在执行的Python进程时，使用命令：ps -aux|grep python。

（2）指定GPU

import os
###显卡设置
os.environ["CUDA_VISIBLE_DEVICES"] = "0"

Note：表示使用0卡。但是对于测试模型而言，占用的内存就不及训练那么大，此时便可以通过设置占用卡的空间大小来节约内存。

（3）设置定量的GPU

import os
###显卡设置
os.environ["CUDA_VISIBLE_DEVICES"] = "0"
###设置占用卡空间的大小
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.3
set_session(tf.Session(config=config))

Note：0.3表示占用GPU30%的内存。

（4）设置最小的GPU使用量；

import os
###显卡设置
os.environ["CUDA_VISIBLE_DEVICES"] = "0"
###设置最小的GPU使用量
config = tf.ConfigProto() 
config.gpu_options.allow_growth = True 
session = tf.Session(config=config)

（5）设置对应CPU的序号；

有时会存在卡好与实际使用卡号的不对应问题，可以使用下面代码来实现匹配：

import os
import tensorflow as tf
os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"  #实现卡号匹配
os.environ["CUDA_VISIBLE_DEVICES"] = "0"
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.3)
sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))