Tensorflow 运算设备的配置

最新推荐文章于 2025-07-14 17:41:07 发布

原创最新推荐文章于 2025-07-14 17:41:07 发布 · 2.3k 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#Tensorflow 运算设备的配置

深度学习专栏收录该内容

19 篇文章

订阅专栏

本文介绍了如何在TensorFlow中配置GPU进行运算，包括自定义运算设备、分配GPU内存的方法及多GPU设置。同时提供了使用log_device_placement参数来查看运算设备分配情况的示例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

说明：此文是翻译官网 Using GPUs

Tensorflow 的运算可以是 CPU，也可以是GPU，想要查看当前的运算被分配到哪个设备，可以设置 log_device_placement

# Creates a graph.
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
# Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
# Runs the op.
print sess.run(c)

得到如下的输出，说明我的运算被分配到CPU上去运行了

MatMul: (MatMul): /job:localhost/replica:0/task:0/cpu:0
2017-09-20 16:27:31.185055: I tensorflow/core/common_runtime/simple_placer.cc:834] MatMul: (MatMul)/job:localhost/replica:0/task:0/cpu:0
b: (Const): /job:localhost/replica:0/task:0/cpu:0
2017-09-20 16:27:31.185445: I tensorflow/core/common_runtime/simple_placer.cc:834] b: (Const)/job:localhost/replica:0/task:0/cpu:0
a: (Const): /job:localhost/replica:0/task:0/cpu:0
2017-09-20 16:27:31.185854: I tensorflow/core/common_runtime/simple_placer.cc:834] a: (Const)/job:localhost/replica:0/task:0/cpu:0
[[22 28]
 [49 64]]

如何自定义运算设备呢，使用 with tf.device('')，注意这是分配的CPU，不是CPU核

# Creates a graph.
with tf.device('/cpu:0'):
  a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
  b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
  c = tf.matmul(a, b)
# Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
# Runs the op.
print sess.run(c)

得到的输出是

MatMul: (MatMul): /job:localhost/replica:0/task:0/cpu:0
2017-09-20 16:49:52.835533: I tensorflow/core/common_runtime/simple_placer.cc:834] MatMul: (MatMul)/job:localhost/replica:0/task:0/cpu:0
b: (Const): /job:localhost/replica:0/task:0/cpu:0
2017-09-20 16:49:52.835888: I tensorflow/core/common_runtime/simple_placer.cc:834] b: (Const)/job:localhost/replica:0/task:0/cpu:0
a: (Const): /job:localhost/replica:0/task:0/cpu:0
2017-09-20 16:49:52.836294: I tensorflow/core/common_runtime/simple_placer.cc:834] a: (Const)/job:localhost/replica:0/task:0/cpu:0
[[22 28]
 [49 64]]

一般如果使用GPU作为运算部件的话，运算会占用所有的内存，如何自定义分配GPU内存呢，CPU没有这个自定义选项，两种方式

先分配小部分，再逐渐增长

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

2.设置比例

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

当有多个GPU怎么设定其中的一部分来运算

# Creates a graph.
c = []
for d in ['/gpu:2', '/gpu:3']:
  with tf.device(d):
    a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3])
    b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2])
    c.append(tf.matmul(a, b))
with tf.device('/cpu:0'):
  sum = tf.add_n(c)
# Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
# Runs the op.
print sess.run(sum)