Keras con backend Tensorflow può essere costretto a utilizzare CPU o GPU a piacimento?

Ho installato Keras con il backend Tensorflow e CUDA. A volte vorrei forzare su richiesta Keras a usare la CPU. È possibile farlo senza dover installare un Tensorflow separato solo per CPU in un ambiente virtuale? Se é cosi, come? Se il backend fosse Theano, le bandiere potrebbero essere impostate, ma non ho sentito parlare di bandiere Tensorflow accessibili tramite Keras.

Se vuoi forzare Keras a usare CPU

Modo 1

import os
os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"   # see issue #152
os.environ["CUDA_VISIBLE_DEVICES"] = ""

prima che Keras / Tensorflow venga importato.

Modo 2

Esegui lo script come

$ CUDA_VISIBLE_DEVICES="" ./your_keras_code.py

Guarda anche

1. https://github.com/keras-team/keras/issues/152
2. https://github.com/fchollet/keras/issues/4613

Un modo piuttosto separabile per farlo è usare

import tensorflow as tf
from keras import backend as K

num_cores = 4

if GPU:
    num_GPU = 1
    num_CPU = 1
if CPU:
    num_CPU = 1
    num_GPU = 0

config = tf.ConfigProto(intra_op_parallelism_threads=num_cores,
                        inter_op_parallelism_threads=num_cores, 
                        allow_soft_placement=True,
                        device_count = {'CPU' : num_CPU,
                                        'GPU' : num_GPU}
                       )

session = tf.Session(config=config)
K.set_session(session)

Qui, con booleans GPUe CPU, indichiamo se vorremmo eseguire il nostro codice con la GPU o la CPU definendo rigidamente il numero di GPU e CPU a cui la sessione Tensorflow è autorizzata ad accedere. Le variabili num_GPUe num_CPUdefiniscono questo valore. num_coresquindi imposta il numero di core CPU disponibili per l'utilizzo tramite intra_op_parallelism_threadse inter_op_parallelism_threads.

La intra_op_parallelism_threadsvariabile determina il numero di thread che un'operazione parallela in un singolo nodo nel grafo di calcolo può utilizzare (intra). Mentre la inter_ops_parallelism_threadsvariabile definisce il numero di thread accessibili per operazioni parallele tra i nodi del grafo di calcolo (inter).

allow_soft_placement consente di eseguire operazioni sulla CPU se viene soddisfatto uno dei seguenti criteri:

1. non vi è alcuna implementazione GPU per l'operazione

2. non ci sono dispositivi GPU conosciuti o registrati

3. è necessario co-localizzarsi con altri input dalla CPU

Tutto questo viene eseguito nel costruttore della mia classe prima di qualsiasi altra operazione ed è completamente separabile da qualsiasi modello o altro codice che utilizzo.

Nota: questo richiede tensorflow-gpue cuda/ cudnnper essere installato perché è data l'opzione di utilizzare una GPU.

Rif:

• Cosa significano le opzioni in ConfigProto come allow_soft_placement e log_device_placement?

• Significato di inter_op_parallelism_threads e intra_op_parallelism_threads

Questo ha funzionato per me (win10), posto prima di importare keras:

import os
os.environ['CUDA_VISIBLE_DEVICES'] = '-1'

Basta importare tensortflow e utilizzare keras, è così facile.

import tensorflow as tf
# your code here
with tf.device('/gpu:0'):
    model.fit(X, y, epochs=20, batch_size=128, callbacks=callbacks_list)

Come per il tutorial di keras , puoi semplicemente usare lo stesso tf.deviceambito del normale tensorflow:

with tf.device('/gpu:0'):
    x = tf.placeholder(tf.float32, shape=(None, 20, 64))
    y = LSTM(32)(x)  # all ops in the LSTM layer will live on GPU:0

with tf.device('/cpu:0'):
    x = tf.placeholder(tf.float32, shape=(None, 20, 64))
    y = LSTM(32)(x)  # all ops in the LSTM layer will live on CPU:0

Ho solo passato un po 'di tempo a capirlo. La risposta di Thoma non è completa. Supponi che il tuo programma lo siatest.py , vuoi usare gpu0 per eseguire questo programma e mantenere libere altre GPU.

Dovresti scrivere CUDA_VISIBLE_DEVICES=0 python test.py

Notare che DEVICESnon lo èDEVICE

Per le persone che lavorano su PyCharm e per forzare la CPU, è possibile aggiungere la seguente riga nella configurazione Esegui / Debug, sotto Variabili d'ambiente:

<OTHER_ENVIRONMENT_VARIABLES>;CUDA_VISIBLE_DEVICES=-1