TensorFlow 如何指定CPU/GPU上运行

小鱼儿 2023-06-06 13:29 28阅读 0赞

# 使用 GPUs #

## 支持的设备 ##

在一套标准的系统上通常有多个计算设备. TensorFlow 支持 CPU 和 GPU 这两种设备. 我们用指定字符串 `strings`来标识这些设备. 比如:

*  `"/cpu:0"`: 机器中的 CPU
 *  `"/gpu:0"`: 机器中的 GPU, 如果你有一个的话.
 *  `"/gpu:1"`: 机器中的第二个 GPU, 以此类推...

如果一个 TensorFlow 的 operation 中兼有 CPU 和 GPU 的实现, 当这个算子被指派设备时, GPU 有优先权. 比如`matmul`中 CPU 和 GPU kernel 函数都存在. 那么在 `cpu:0` 和 `gpu:0` 中, `matmul` operation 会被指派给 `gpu:0` .

## 记录设备指派情况 ##

为了获取你的 operations 和 Tensor 被指派到哪个设备上运行, 用 `log_device_placement` 新建一个 `session`, 并设置为 `True`.

# 新建一个 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)
    # 新建session with log_device_placement并设置为True.
    with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:
        # 运行这个 op.
        print(sess.run(c))

你应该能看见以下输出:

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.]]

## 手工指派设备 ##

如果你不想使用系统来为 operation 指派设备, 而是手工指派设备, 你可以用 `with tf.device` 创建一个设备环境, 这个环境下的 operation 都统一运行在环境指定的设备上.

# 新建一个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)
    # 新建session with log_device_placement并设置为True.
    with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:
        # 运行这个op.
        print(sess.run(c))

你会发现现在 `a` 和 `b` 操作都被指派给了 `cpu:0`.

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.]]

## 在多GPU系统里使用单一GPU ##

如果你的系统里有多个 GPU, 那么 ID 最小的 GPU 会默认使用. 如果你想用别的 GPU, 可以用下面的方法显式的声明你的偏好:

# 新建一个 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)
    # 新建 session with log_device_placement 并设置为 True.
    with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:
        # 运行这个 op.
        print(sess.run(c))

如果你指定的设备不存在, 你会收到 `InvalidArgumentError` 错误提示:

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"]()]]

为了避免出现你指定的设备不存在这种情况, 你可以在创建的 `session` 里把参数 `allow_soft_placement` 设置为 `True`, 这样 tensorFlow 会自动选择一个存在并且支持的设备来运行 operation.

# 新建一个 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)
    # 新建 session with log_device_placement 并设置为 True.
    with tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True)) as sess:
        # 运行这个 op.
        print(sess.run(c))

## 使用多个 GPU ##

如果你想让 TensorFlow 在多个 GPU 上运行, 你可以建立 multi-tower 结构, 在这个结构 里每个 tower 分别被指配给不同的 GPU 运行. 比如:

# 新建一个 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)
    # 新建session with log_device_placement并设置为True.
    with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:
        # 运行这个op.
        print(sess.run(sum))

你会看到如下输出:

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.]]

[cifar10 tutorial][] 这个例子很好的演示了怎样用GPU集群训练.

[cifar10 tutorial]: http://wiki.jikexueyuan.com/project/tensorflow-zh/how_tos/tensorflow-zh/SOURCE/tutorials/deep_cnn/index.html