TensorFlow 2.0之后动态分配显存方式
目录
- TensorFlo编程客栈w 2.0之后动态分配显存
- keras和tensorflow动态分配显存
- 总结
TensorFlow 2编程客栈.0之后动态分配显存
import tensorflow as tf config = tf.compat.v1.ConfigProto() config.gpu_options.allow_growth = True sess = tf.compat.v1.Session(config = config) tf.compat.v1.keras.backend.set_session(sess)
keras和tensorflow动态分配显存
tensoflow或者基于tensorflow的keras,好像默认会直接将GPU中所有的显存都读过来,然后慢慢用。
这样如果是服务器是的话,别人就没法用了,这里转载了动态分配显存的方法:
tensorflow下,加入代码:
config = tf.ConfigProto() config.gpu_options.allow_growth = True #设置动态分配显存 sessandroidion = tf.Session(config=config, ...)
或者:
config = tf.ConfigProto() config.gpu_options.per_process_gpu_memory_fraction = 0.3 #只一次调用30%的显存 session = tf.Session(config=config, ...)
对于keras,如果使用tensorf开发者_Go教程low作为后端,多加一句话就好了:
import os os.environ["CUDA_VISIBLE_DEVICES"] = "1" from keras.backend.tensorflow_backend import set_session config = tf.ConfigProto() config.gpu_options.per_process_gpu_memory_fraction = 0.3 set_session(tf.Session(config=config)) # 此处不同
总结
以上为个人经验,希望能给大家一个参python考,也希javascript望大家多多支持我们。
精彩评论