TensorFlow中指定GPU训练模型的常用有效方式

这篇文章主要介绍“TensorFlow中指定GPU训练模型的常用有效方法”的相关知识，下面会通过实际案例向大家展示操作过程，操作方法简单快捷，实用性强，希望这篇“TensorFlow中指定GPU训练模型的常用有效方法”文章能帮助大家解决问题。

如何指定GPU训练模型？

Linux 查看当前服务器 GPU 的占用情况可以使用 nvidia-smi 命令，如下所示：

nvidia-smi

关于 nvidia-smi 命令输出的详细解释，可参考笔者的另外一篇文章：GPU状态监测 nvidia-smi 命令详解。

在此不再赘述，本文主要分享一下在用 TensorFlow 训练模型时如何指定 GPU。

在用 TensorFlow 训练深度学习模型的时候，若无手动指定，默认是选用第0块来训练，而且其他几块 GPU 也会被显示占用。

有时候，我们更希望可以自己指定一块或者多块 GPU 来训练模型，接下来介绍一种常用的也是比较有效的方法：

举个例子

如果要指定只用第0块 GPU 训练，可以在 python 代码中如下指定：

import os

os.environ['CUDA_VISIBLE_DEVICES']='0'

运行 python 程序后，可发现就只有第0块 GPU 显示被占用，如上图所示。

如果要指定多块 GPU

可以如下：

os.environ['CUDA_VISIBLE_DEVICES']='1,2'

当然，上述这种方法不太方便，每次运行若换用 GPU 训练都需要改代码，可以在运行 python 程序的时候进行指定：

CUDA_VISIBLE_DEVICES=0 python textCnn.py

“TensorFlow中指定GPU训练模型的常用有效方法”的内容就介绍到这里了，感谢大家的阅读。

（编辑：银川站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!