本篇内容主要讲解“TensorFlow和keras使用gpu怎么配置”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“TensorFlow和keras使用gpu怎么配置”吧!

1. 训练运行时候指定GPU

运行时候加一行代码：

CUDA_VISIBLE_DEVICES=1pythontrain.py2. 运行过程中按需或者定量分配GPU

tensorflow直接在开启Session时候加几行代码就行，而Keras指定GPU，并限制按需用量和TensorFlow不太一样，因为keras训练是封装好的，不好对Session操作。如下是两种对应的操作。

keras中的操作：

importosimporttensorflowastffromkeras.backend.tensorflow_backendimportset_session#指定第一块GPU可用os.environ["CUDA_VISIBLE_DEVICES"]="0"#指定GPU的第二种方法config=tf.ConfigProto()config.gpu_options.allocator_type='BFC'#A"Best-fitwithcoalescing"algorithm,simplifiedfromaversionofdlmalloc.config.gpu_options.per_process_gpu_memory_fraction=0.3#定量config.gpu_options.allow_growth=True#按需set_session(tf.Session(config=config))TensorFlow中的操作：

#指定GPUimportosos.environ["CUDA_VISIBLE_DEVICES"]="0"#设置GPU定量分配config=tf.ConfigProto()config.gpu_options.per_process_gpu_memory_fraction=0.9#占用GPU90%的显存session=tf.Session(config=config)#设置GPU按需分配config=tf.ConfigProto()config.gpu_options.allow_growth=Truesession=tf.Session(config=config)

补充：Keras以及Tensorflow强制使用CPU，GPU

Keras如果是使用Theano后端的话，应该是自动不使用ＧＰＵ只是用ＣＰＵ的，启动ＧＰＵ使用Theano内部命令即可。

对于Tensorflow后端的Keras以及Tensorflow会自动使用可见的ＧＰＵ，而我需要其必须只运行在ＣＰＵ上。网上查到三种方法，最后一种方法对我有用，但也对三种都做如下记录：

使用tensorflow的 with tf.device('/cpu:0'):函数。简单操作就是把所有命令都放在前面所述的域里面。

使用tensorflow声明Session时的参数： 关于tensorflow中Session中的部分参数设置，以及Keras如何设置其调用的Tensorflow的Session，可以参见Keras设定GPU使用内存大小(Tensorflow backend)。

对于Tensorflow，声明Session的时候加入device_count={'gpu':0}即可，代码如下：

importtensorflowastfsess=tf.Session(config=tf.ConfigProto(device_count={'gpu':0}))

对于Keras,则调用后端函数，设置其使用如上定义的Session即可，代码如下：

importtensorflowastfimportkeras.backend.tensorflow_backendasKTFKTF.set_session(tf.Session(config=tf.ConfigProto(device_count={'gpu':0})))

对于多线程以及ＧＰＵ内存设置等可以参见Keras设定GPU使用内存大小(Tensorflow backend)。

3、第三种是使用CUDA_VISIBLE_DEVICES命令行参数，代码如下：

CUDA_VISIBLE_DEVICES="0"python3train.py

到此，相信大家对“TensorFlow和keras使用gpu怎么配置”有了更深的了解，不妨来实际操作一番吧！这里是亿速云网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！