caffe和tensorflow對GPU的使用

方法一：在solver檔案中寫入

#solver mode: cpu or gpu

solver_mode: gpu

方法二：命令列引數：-gpu

#train ./build/tools/caffe train -solver examples/mnist/lenet_solver.prototxt -gpu 0 #test

./build/tools/caffe test -model examples/mnist/lenet_train_test.prototxt -weights examples/mnist/lenet_iter_10000.caffemodel -gpu 0 -iterations 100

方法一：系統指派

sess = tf.session(config=tf.configproto(log_device_placement=true))

方法二：人為指派

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)
sess = tf.session(config=tf.configproto(log_device_placement=true))

這時候，a，b都是用的gpu2，而c是系統指派，但是如果gpu2不存在，那麼可以將之前的tf. session增加乙個引數設定，如下：

sess = tf.session(config=tf.configproto(
allow_soft_placement=true, log_device_placement=true))

這樣，如果gpu2不存在，系統會自動分配存在可用的gpu來使用。

如果使用多塊gpu，只需要加入迴圈如下：

for d in ['/gpu:2', '/gpu:3']:
with tf.device(d):

而為什麼要使用gpu呢？

主要是因為gpu的並行能力，在深度學習火起來之前，gpu主要用於影象的渲染，也就是遊戲效果中。cpu在處理影象的卷積操作時，只能one-by-one的滑動，事實上，相關領域的研究人員發現，每一步的卷積操作之間不會相互影響，因此對於一次卷積甚至也可以用多個核來進行處理。當然不同的卷積核之間更不會相互影響，當然也可以用多個核來處理了，這就有了gpu。

深度學習火起來之後，由於限制cnn速度的絕大多數計算量都來自於卷積操作，而gpu恰好擅長這樣的計算，因此這也就是為什麼做深度學習的要有乙個好gpu了。主要就是為了解決卷積計算的時間，從而縮短網路的訓練時間。

gpu也有缺點，它不像cpu一樣擅長邏輯複雜的運算，它擅長高吞吐量的平行計算。

caffe和tensorflow對GPU的使用

windows 離線安裝tensorflow

jupyter無法匯入tensorflow

Ubuntu下如何安裝TensorFlow

caffe和tensorflow對GPU的使用

windows 離線 安裝tensorflow

jupyter無法匯入tensorflow

Ubuntu下如何安裝TensorFlow

相關推薦

windows 離線安裝tensorflow