tf.ConfigProto和tf.GPUOptions用法总结
【时间】2018.12.13
【题目】tf.ConfigProto和tf.GPUOptions用法总结
概述
tf.ConfigProto一般用在创建session的时候，用来对session进行参数配置，而tf.GPUOptions可以作为设置tf.ConfigProto时的一个参数选项，一般用于限制GPU资源的使用。
一、tf.ConfigProto
tf.ConfigProto一般用在创建session的时候，用来对session进行参数配置。
1.1 tf.ConfigProto()的参数
log_device_placement=True : 是否打印设备分配日志
allow_soft_placement=True ： 如果你指定的设备不存在，允许TF自动分配设备1.2 tf.ConfigProto()使用参数的两种方法
（1）第一种实在构造config对象时直接赋值，如下：
tf.ConfigProto(log_device_placement=True,allow_soft_placement=True)（2）第二种是先构造config对象，再对构造的config对象进行赋值，如下：
config = tf.ConfigProto()
config.log_device_placement= True
config.allow_soft_placement=TruePS：tf.ConfigProto()含有的部分参数（属性与方法，可使用dir（tf.ConfigProto（））进行查看）如下：
1.3 让参数设置生效的方法
session = tf.Session(config=config)PS：在Keras中使用：
from keras.backend.tensorflow_backend import set_session
set_session(tf.Session(config=config))
二、使用tf.GPUOptions限制GPU资源的使用
参考链接：https://blog.csdn.net/dcrmg/article/details/79091941
tf.GPUOptions可以作为设置tf.ConfigProto时的一个参数选项，一般用于限制GPU资源的使用。同样有两种方法实现。
为了加快运行效率，TensorFlow在初始化时会尝试分配所有可用的GPU显存资源给自己，这在多人使用的服务器上工作就会导致GPU占用，别人无法使用GPU工作的情况。
tf提供了两种控制GPU资源使用的方法，一是让TensorFlow在运行过程中动态申请显存，需要多少就申请多少;第二种方式就是限制GPU的使用率。
2.1 动态申请显存
方法一：
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
session = tf.Session(config=config)方法二：
gpu_options=tf.GPUOptions(allow_growth = True)
config=tf.ConfigProto(gpu_options=gpu_options)
session = tf.Session(config=config)
2.2 限制GPU的使用率
方法一：
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.85 #占用85%显存
session = tf.Session(config=config)方法二：
gpu_options=tf.GPUOptions(per_process_gpu_memory_fraction=0.85)
config=tf.ConfigProto(gpu_options=gpu_options)
session = tf.Session(config=config)【注意】当限制GPU使用率时，GPU所占的显存是一直占着的，哪怕你Ctrl+Z 终止了程序，这时你需要手动kill进程。（参考链接：https://blog.csdn.net/c20081052/article/details/82345454）具体如下：
如果你在linux终端运行深度学习python脚本文件，运行中发现占用多个GPU和内存资源，可用下面的方法解决：
（1）请先查看占用资源的进程归属方是谁，以及使用的是什么指令：
ps -f PID号
（2）然后确认该进程可以kill掉情况下直接杀掉：
kill -9 PID号 #注意必须加-9，否则可能杀不掉进程