深度学习预测代码分析

1.动态申请显存

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

2.限制GPU使用率

config = tf.ConfigProto()  
config.gpu_options.per_process_gpu_memory_fraction = 0.4  #占用40%显存  
session = tf.Session(config=config) 

或者

gpu_options=tf.GPUOptions(per_process_gpu_memory_fraction=0.4)  
config=tf.ConfigProto(gpu_options=gpu_options)  
session = tf.Session(config=config) 

3.设置使用哪块GPU

方法一、在python程序中设置：

#在程序开头

os.environ['CUDA_VISIBLE_DEVICES'] = '0' #使用 GPU 0
os.environ['CUDA_VISIBLE_DEVICES'] = '0,1' # 使用 GPU 0，1

方法二、在执行python程序时候：

CUDA_VISIBLE_DEVICE=0,1 python yourcode.py

①

config = tf.ConfigProto(allow_soft_placement=True, 
                        log_device_placement=True)
with tf.Session(config = config,...)
config = tf.ConfigProto(allow_soft_placement=True, 
                        log_device_placement=True)
with tf.Session(config = config,...)

备注：
allow_soft_placement=True：如果是true，则允许tensorflow自动分配设备
log_device_placement=True：如果是true，记录每个节点分配到哪个设备上日志，用于方便调试
②

config = tf.ConfigProto() 
config.gpu_options.allow_growth = True
config.gpu_options.per_process_gpu_memory_fraction = 0.4
session = tf.Session(config=config) 
config = tf.ConfigProto() 
config.gpu_options.allow_growth = True
config.gpu_options.per_process_gpu_memory_fraction = 0.4
session = tf.Session(config=config)

备注：
gpu_options.allow_growth：用于动态申请显存，从少到多慢慢增加gpu容量
gpu_options.per_process_gpu_memory_fraction：用于限制gpu使用率，拿出40%给进程使用
————————————————
版权声明：本文为CSDN博主「spring_willow」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/spring_willow/article/details/80143207

class_mode = None,#不返回标签
color_mode = image_color_mode,#灰度,单通道模式
target_size = target_size,#转换后的目标图片大小

shuffle（）函数把数组中的元素按随机顺序重新排列。
img_to_array #将图像转化为数组