keras使用顯卡(轉)

原文鏈接：https://blog.csdn.net/a632189007/article/details/77978058

keras在使用GPU的時候有個特點，就是默認全部占滿顯存。 這樣如果有多個模型都需要使用GPU跑的話，那么限制是很大的，而且對於GPU也是一種浪費。因此在使用keras時需要有意識的設置運行時使用那塊顯卡，需要使用多少容量。

這方面的設置一般有三種情況：
1. 指定顯卡
2. 限制GPU用量
3. 即指定顯卡又限制GPU用量

查看GPU使用情況語句（linux）

# 1秒鍾刷新一次
watch -n 1 nvidia-smi

一、指定顯卡

import os
os.environ["CUDA_VISIBLE_DEVICES"] = "2"

這里指定了使用編號為2的GPU，大家可以根據需要和實際情況來指定使用的GPU

二、限制GPU用量

1、設置使用GPU的百分比

import tensorflow as tf
import keras.backend.tensorflow_backend as KTF

#進行配置，使用30%的GPU
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.3
session = tf.Session(config=config)

# 設置session
KTF.set_session(session)

需要注意的是，雖然代碼或配置層面設置了對顯存占用百分比閾值，但在實際運行中如果達到了這個閾值，程序有需要的話還是會突破這個閾值。換而言之如果跑在一個大數據集上還是會用到更多的顯存。以上的顯存限制僅僅為了在跑小數據集時避免對顯存的浪費而已。

2、GPU按需使用

import tensorflow as tf
import keras.backend.tensorflow_backend as KTF

config = tf.ConfigProto()  
config.gpu_options.allow_growth=True   #不全部占滿顯存, 按需分配
session = tf.Session(config=config)

# 設置session
KTF.set_session(session)

三、指定GPU並且限制GPU用量

這個比較簡單，就是講上面兩種情況連上即可。

import os
import tensorflow as tf
import keras.backend.tensorflow_backend as KTF

# 指定第一塊GPU可用 
os.environ["CUDA_VISIBLE_DEVICES"] = "0"

config = tf.ConfigProto()  
config.gpu_options.allow_growth=True   #不全部占滿顯存, 按需分配
sess = tf.Session(config=config)

KTF.set_session(sess)