使用keras+tensorflow训练CNN的记录（CentOS7）

最新推荐文章于 2023-08-26 15:53:53 发布

原创最新推荐文章于 2023-08-26 15:53:53 发布 · 1k 阅读

2 ·

CC 4.0 BY-SA版权

安装与配置专栏收录该内容

36 篇文章

订阅专栏

本文详细介绍如何在GPU服务器上安装Python3+Anaconda+TensorFlow+Keras，并配置环境以便进行卷积神经网络（CNN）训练。文章还介绍了如何通过设置让Theano使用GPU加速计算，以及如何查看和管理GPU资源。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

首先肯定是在gpu服务器上完成python3+anaconda+tensorflow+keras的安装了，详细的请看博主的另一篇博客http://blog.youkuaiyun.com/brazy/article/details/79418772

之后就可以在你的gpu服务器上开始你的CNN训练了，可以使用 # lspci | grep -i vga 来查看显卡的信息（https://www.cnblogs.com/nowornever-L/p/6934611.html）

使用Theano作为后端的要注意它是默认使用CPU的需要更改设置来使其使用GPU来加速计算，因为已经安装了CUDA所以可以使用命令来查看显卡的使用情况：

# nvidia-smi -l

nvidia-smi(NVIDIA System Management Interface)可以实时监控GPU卡的使用情况，-l是其参数，用于循环显示。

如果没有CUDA可以参照这篇博客（http://www.rthpc.com/View?id=418）进行安装配置

如果有多个GPU可以通运行时的命令行参数来决定使用哪一个GPU

可以通过指定机器中的哪个gpu可见来实现gpu的选择，如下所示：

CUDA_VISIBLE_DEVICES=1 python test.py
 1

这里指明了我们希望第2个gpu是被可见的

CUDA_VISIBLE_DEVICES=1      Only device 1 will be seen
CUDA_VISIBLE_DEVICES=0,1    Devices 0 and 1 will be visible
CUDA_VISIBLE_DEVICES=”0,1”  Same as above, quotation marks are optional
CUDA_VISIBLE_DEVICES=0,2,3  Devices 0, 2, 3 will be visible; device 1 is masked