TF与keras指定运行时显卡及限制GPU用量

https://blog.csdn.net/github_36326955/article/details/79910448

keras在使用GPU的时候有个特点，就是默认全部占满显存。 这样如果有多个模型都需要使用GPU跑的话，那么限制是很大的，而且对于GPU也是一种浪费。因此在使用keras时需要有意识的设置运行时使用那块显卡，需要使用多少容量。

这方面的设置一般有三种情况： 
1. 指定显卡 
2. 限制GPU用量 
3. 即指定显卡又限制GPU用量

查看GPU使用情况语句（linux）
# 1秒钟刷新一次
watch -n 1 nvidia-smi

一、指定显卡

import os
os.environ["CUDA_VISIBLE_DEVICES"] = "2"

这里指定了使用编号为2的GPU，大家可以根据需要和实际情况来指定使用的GPU二、限制GPU用量
1、设置使用GPU的百分比

1. import tensorflow as tf

2. import keras.backend.tensorflow_backend as KTF

3.  

4. #进行配置，使用30%的GPU

5. config = tf.ConfigProto()

6. config.gpu_options.per_process_gpu_memory_fraction = 0.3

7. session = tf.Session(config=config)# 设置session

8. KTF.set_session(session )

需要注意的是，虽然代码或配置层面设置了对显存占用百分比阈值，但在实际运行中如果达到了这个阈值，程序有需要的话还是会突破这个阈值。换而言之如果跑在一个大数据集上还是会用到更多的显存。以上的显存限制仅仅为了在跑小数据集时避免对显存的浪费而已。

2、GPU按需使用

1. import tensorflow as tf

2. import keras.backend.tensorflow_backend as KTF

3.  

4. config = tf.ConfigProto()  

5. config.gpu_options.allow_growth=True   #不全部占满显存, 按需分配

6. session = tf.Session(config=config)

7.  

8. # 设置session

9. KTF.set_session(sess)

 

三、指定GPU并且限制GPU用量

这个比较简单，就是讲上面两种情况连上即可。。。

1. import os

2. import tensorflow as tf

3. import keras.backend.tensorflow_backend as KTF

4.  

5. # 指定第一块GPU可用 

6. os.environ["CUDA_VISIBLE_DEVICES"] = "0"

7.  

8. config = tf.ConfigProto()  

9. config.gpu_options.allow_growth=True   #不全部占满显存, 按需分配

10. sess = tf.Session(config=config)

11.  

12. KTF.set_session(sess)

--------------------- 
作者：silent彦沁 
来源：CSDN 
原文：https://blog.csdn.net/A632189007/article/details/77978058 
版权声明：本文为博主原创文章，转载请附上博文链接！