tf.ConfigProto()整理

tf.ConfigProto()

tf.ConfigProto()在创建tf.Session(config=tf.ConfigProto())进行参数配置。
主要的参数有以下几种：

allow_soft_placement=True：
如果是 True，允许 tensorflow 自动分配设备。
log_device_placement=True：
如果是 True，打印设备分配日志。
device_count={‘GPU’:0, ‘CPU’:4}：
使用字典分配可用的 GPU 设备号和 CPU 设备号。
intra_op_parallelism_threads=n：
（控制运算符op内部的并行）
当运算符op为单一运算符，并且内部可以实现并行时，如矩阵乘法，reduce_sum之类的操作，可以通过设置intra_op_parallelism_threads参数来并行, intra代表内部。
inter_op_parallelism_threads=n:
（控制多个运算符op之间的并行计算）
当有多个运算符op，并且他们之间比较独立，运算符和运算符之间没有直接的路径Path相连。Tensorflow会尝试并行地计算他们，使用由inter_op_parallelism_threads参数来控制数量的一个线程池。

tf.GPUOptions()

动态申请缓存

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)

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)