该cifar10教程是一个很好的例子演示了如何做多GPU训练。
标签：tps 选项设置 explicit 可用内存 ice 设备 and atm job
在典型的系统中，有多个计算设备。在TensorFlow中，支持的设备类型是CPU和GPU。它们被表示为strings。例如：
"/cpu:0"：机器的CPU。"/gpu:0"你的机器的GPU，如果你有一个。"/gpu:1"你的机器的第二个GPU等如果TensorFlow操作具有CPU和GPU两种实现方式，则在将操作分配给设备时，GPU设备将被赋予优先级。例如，matmul具有CPU和GPU内核。在用设备的系统cpu:0和 gpu:0，gpu:0将选择运行matmul。
要找出您的操作和张量被分配到哪些设备，请创建log_device_placement配置选项设置为的会话True
# 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))
您应该看到以下输出：
Device mapping: /job:localhost/replica:0/task:0/gpu:0 -> device: 0, name: Tesla K40c, pci bus id: 0000:05:00.0 b: /job:localhost/replica:0/task:0/gpu:0 a: /job:localhost/replica:0/task:0/gpu:0 MatMul: /job:localhost/replica:0/task:0/gpu:0 [[ 22. 28.] [ 49. 64.]]
如果您希望特定的操作在您选择的设备上运行，而不是自动选择with tf.device 的设备，则可以使用创建设备上下文，使该上下文中的所有操作具有相同的设备分配。
# 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))
你会看到现在a并被b分配到cpu:0。由于没有为MatMul操作明确指定设备，所以TensorFlow运行时将根据操作和可用设备（gpu:0在本示例中）选择一个设备，如果需要，可以在设备之间自动复制张量。
Device mapping: /job:localhost/replica:0/task:0/gpu:0 -> device: 0, name: Tesla K40c, pci bus id: 0000:05:00.0 b: /job:localhost/replica:0/task:0/cpu:0 a: /job:localhost/replica:0/task:0/cpu:0 MatMul: /job:localhost/replica:0/task:0/gpu:0 [[ 22. 28.] [ 49. 64.]]
默认情况下，TensorFlow将几乎所有GPU的GPU内存映射 CUDA_VISIBLE_DEVICES到该进程可见。这样做可以通过减少内存碎片来更有效地使用设备上相对宝贵的GPU内存资源。
在某些情况下，该过程只需要分配可用内存的一个子集，或只是根据进程需要增加内存使用情况。TensorFlow在会话中提供了两个配置选项来控制此功能。
第一个是allow_growth选项，它试图基于运行时分配分配只有GPU内存：它开始分配很少的内存，并且随着Sessions的运行和更多的GPU内存的需要，我们扩展了TensorFlow所需的GPU内存区域处理。请注意，我们不释放内存，因为这可能会导致更糟糕的内存碎片。要打开此选项，请在ConfigProto中将选项设置为：
config = tf.ConfigProto() config.gpu_options.allow_growth = True session = tf.Session(config=config, ...)
第二种方法是per_process_gpu_memory_fraction选项，它决定了每个可见GPU应分配的总体内存量的分数。例如，您可以告诉TensorFlow仅通过以下方式分配每个GPU的总内存的40％：
config = tf.ConfigProto() config.gpu_options.per_process_gpu_memory_fraction = 0.4 session = tf.Session(config=config, ...)
如果要真正限制TensorFlow进程可用的GPU内存量，这是非常有用的。
如果您的系统中有多个GPU，则默认情况下将选择具有最低ID的GPU。如果您想在不同的GPU上运行，则需要明确指定首选项：
# Creates a graph. with tf.device(‘/gpu:2‘): 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))
如果您指定的设备不??存在，您将获得 InvalidArgumentError：
InvalidArgumentError: Invalid argument: Cannot assign a device to node ‘b‘: Could not satisfy explicit device specification ‘/gpu:2‘ [[Node: b = Const[dtype=DT_FLOAT, value=Tensor<type: float shape: [3,2] values: 1 2 3...>, _device="/gpu:2"]()]]
如果您想TensorFlow自动选择现有的支持机构运行的情况下，指定一个不存在的操作，您可以设置allow_soft_placement以True创建会话时的配置选项。
# Creates a graph. with tf.device(‘/gpu:2‘): 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 allow_soft_placement and log_device_placement set # to True. sess = tf.Session(config=tf.ConfigProto( allow_soft_placement=True, log_device_placement=True)) # Runs the op. print(sess.run(c))
如果您想在多个GPU上运行TensorFlow，您可以以多塔方式构建您的模型，其中每个塔分配给不同的GPU。例如：
# 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))
您将看到以下输出。
Device mapping: /job:localhost/replica:0/task:0/gpu:0 -> device: 0, name: Tesla K20m, pci bus id: 0000:02:00.0 /job:localhost/replica:0/task:0/gpu:1 -> device: 1, name: Tesla K20m, pci bus id: 0000:03:00.0 /job:localhost/replica:0/task:0/gpu:2 -> device: 2, name: Tesla K20m, pci bus id: 0000:83:00.0 /job:localhost/replica:0/task:0/gpu:3 -> device: 3, name: Tesla K20m, pci bus id: 0000:84:00.0 Const_3: /job:localhost/replica:0/task:0/gpu:3 Const_2: /job:localhost/replica:0/task:0/gpu:3 MatMul_1: /job:localhost/replica:0/task:0/gpu:3 Const_1: /job:localhost/replica:0/task:0/gpu:2 Const: /job:localhost/replica:0/task:0/gpu:2 MatMul: /job:localhost/replica:0/task:0/gpu:2 AddN: /job:localhost/replica:0/task:0/cpu:0 [[ 44. 56.] [ 98. 128.]]
该cifar10教程是一个很好的例子演示了如何做多GPU训练。
标签：tps 选项设置 explicit 可用内存 ice 设备 and atm job
原文地址：http://www.cnblogs.com/yinghuali/p/7747333.html
