跨多个GPU分发Keras模型
是一种利用多个GPU并行计算的技术，可以加速深度学习模型的训练和推理过程。下面是对这个问题的完善且全面的答案：
概念： 跨多个GPU分发Keras模型是指将Keras模型分布式地部署在多个GPU上进行计算，以提高深度学习模型的训练和推理速度。通过将模型的不同层分配到不同的GPU上并行计算，可以充分利用多个GPU的计算能力，加快模型的运算速度。
分类： 跨多个GPU分发Keras模型属于分布式计算的范畴，是一种并行计算的技术。
优势：
- 提高计算速度：通过利用多个GPU的并行计算能力，可以显著加快深度学习模型的训练和推理速度，缩短模型的训练时间。
- 扩展性强：可以根据需求增加额外的GPU，进一步提高计算性能，适用于大规模的深度学习任务。
- 灵活性高：Keras作为一个高级深度学习框架，提供了简洁易用的API，使得跨多个GPU分发模型变得简单易操作。
应用场景： 跨多个GPU分发Keras模型适用于以下场景：
- 大规模深度学习任务：对于需要处理大量数据和复杂模型的任务，跨多个GPU分发Keras模型可以显著提高计算速度，加快模型的训练和推理过程。
- 实时推理：对于需要实时响应的应用，如视频分析、语音识别等，跨多个GPU分发Keras模型可以加速模型的推理速度，提高实时性能。
- 科学研究：在科学研究领域，跨多个GPU分发Keras模型可以加速复杂模型的训练，提高研究效率。
推荐的腾讯云相关产品和产品介绍链接地址： 腾讯云提供了一系列适用于跨多个GPU分发Keras模型的产品和服务，包括：
- GPU云服务器：提供了多种配置的GPU云服务器实例，可以满足不同规模和需求的深度学习任务。详细信息请参考：https://cloud.tencent.com/product/cvm/gpu
- 弹性GPU：为云服务器提供了灵活的GPU加速能力，可以根据需求动态调整GPU的数量和配置。详细信息请参考：https://cloud.tencent.com/product/gpu/elastic-gpu
- 云原生容器服务：提供了容器化部署和管理深度学习模型的能力，可以方便地实现跨多个GPU分发Keras模型。详细信息请参考：https://cloud.tencent.com/product/tke
通过使用腾讯云的相关产品和服务，用户可以方便地实现跨多个GPU分发Keras模型，提高深度学习任务的计算性能和效率。
相关·内容
我有两个GPU，NVIDIA GTX 1070 Ti。对于在TensorFlow后端使用Keras，我是否应该将它们与SLI连接起来？如果没有，那么他们将被单独对待，一个模型将被训练在一张卡片上。这是我到目前为止所理解的两个选择。谢谢。
浏览 0提问于2019-03-08得票数 2
回答已采纳
在这里的代码中：https://www.kaggle.com/ryanholbrook/detecting-the-higgs-boson-with-tpus 在编译模型之前，使用以下代码创建模型： with strategy.scope():
# Wide Network
wide = keras.experimental.LinearModel()
# Deep Network
inputs = keras.Input(shape=[28])
x = dense_block(UNITS, ACTIVATION, DROPOUT)(inputs)
浏览 108提问于2020-12-18得票数 2
回答已采纳
1回答
我想知道设置创建/训练模型的设备以优化资源使用的正确方法是什么，以便使用Keras在TensorFlow中进行快速培训？我有1个CPU和2个GPU可供我使用。最初，我使用tf.device上下文来创建模型并仅在CPU上进行培训，但后来我在TensorFlow文档中看到了，它们建议在CPU上显式实例化模型：
# Instantiate the base model (or "template" model).
# We recommend doing this with under a CPU device scope,
# so that the model's wei
浏览 3提问于2019-11-27得票数 1
回答已采纳
我是aws酿酒师的新手。我正试图在aws中建立一个模型，使用带有GPU支持的keras。下面给出了用于推断模型的码头底图。
FROM tensorflow/tensorflow:1.10.0-gpu-py3
RUN apt-get update && apt-get install -y --no-install-recommends nginx curl
...
这是我用来检查GPU是否被烧瓶中的keras识别的keras代码。
import keras
@app.route('/ping', methods=['GET'])
def pin
浏览 0提问于2018-12-11得票数 4
回答已采纳
2回答
我正在尝试在AWS GPU上训练Keras模型。
如何使用EC2实例将深度学习模型的图像(训练数据)加载到S3中？
浏览 1提问于2016-08-16得票数 2
1回答
我正在运行一些笔记本，在不同的地方，是CPU和GPU密集型。在我的本地PC上运行笔记本是快速的CPU能力，但速度慢，因为我的GPU不能用于火炬(我有一个Ryzen 9与AMD GPU)。另一方面，在Colab GPU上运行笔记本的速度在GPU部分非常快，但在CPU部分却非常慢。
我知道使用本地运行时使用我的CPU是可能的，但是我也被本地GPU困住了。是否可以只分配本地CPU并同时使用Google？
(另一种解决方案是在本地机器上运行CPU密集型代码，存储中间结果，然后将Google用于GPU密集型部件。但这当然不是最优的。)
浏览 1提问于2021-10-26得票数 1
3回答
在我的机构中有一个有2个GPU的共享服务器。假设有两个团队成员希望同时训练一个模型，那么他们如何让Keras在特定的GPU上训练他们的模型，以避免资源冲突？
理想情况下，Keras应该知道哪个GPU目前正忙于训练一个模型，然后使用其他GPU来训练另一个模型。然而，情况似乎并非如此。默认情况下，Keras似乎只使用第一个GPU (因为第二个GPU的Volatile GPU-Util始终是0%)。
浏览 0提问于2018-11-29得票数 4
回答已采纳
我有一个文件，比如里面有1000万个浮点数。使用mergesort(下面的custome代码)，我想对这个文件进行排序。在这里，我正在一次读取100万个数字，并对数字进行排序，并写入一个单独的文件中，以便稍后合并。
下面的Custome代码使用TensorFlow 2.0API。
import tensorflow as tf
#@tf.function
def split_list(input_list):
input_list_len = len(input_list)
midpoint = input_list_len // 2
return input_list
浏览 4提问于2021-03-10得票数 3
我有一个带有两个GPU的系统，并且正在使用带有Tensorflow后端的Keras。Gpu:0被分配给PyCUDA，它执行一个独特的操作，转发给Keras，并随批进行更改。因此，我希望在gpu:1上运行一个Keras模型，同时将gpu:0分配给PyCUDA。
有办法这样做吗？纵观以前的线程，我发现了几种折旧的解决方案。
浏览 0提问于2018-10-25得票数 0
回答已采纳
1回答
如果我在通过NVLink连接的某些Nvidia GPU上运行Keras模型，如何监视NVLink连接的使用？
我想确保NVLink连接正在被使用，并看看以什么速度。
浏览 0提问于2019-03-22得票数 2
1回答
我想把我的Keras模型放在我的网站上，这是基于Django的。
我的问题是，当服务时，模型应该在CPU或GPU上运行吗？GPU将如何处理，比方说，数百个用户同时发送请求，因为它不能像GPU那样执行多线程。
耽误您时间，实在对不起。
浏览 0提问于2018-11-08得票数 0
回答已采纳
当使用TensorFlow的Keras顺序API时，有没有办法强制我的模型在特定的硬件上进行训练？我的理解是，如果有GPU可用(我安装了tensorflow-gpu )，默认情况下，我会在GPU上进行培训。 我是否必须切换到不同的API以获得对模型部署位置的更多控制？
浏览 14提问于2020-01-01得票数 0
回答已采纳
当尝试在三个GPU中使用Keras时，我遇到了一个问题。
我的psuedocode如下：
import keras
import keras.models as M
from keras.utils import multi_gpu_model
i = M.Input(None,None,6)
o1,o2,o3 = my_Network(i)
net = M.Model(inputs = i, outputs = [o1,o2,o3])
net = multi_gpu_model(net,gpus = 3)
net.compile( ~~~~~ )
net.fit(~~~~~ )
浏览 3提问于2020-04-28得票数 1
回答已采纳
1回答
我使用的是Tensorflow-gpu=2.0.0后端的Keras=2.3.1。当我在两个RTX 2080 ti 11G gpu上训练模型时，它将所有的数据分配给'/gpu:0'，没有任何变化与'/gpu:1‘。当然，第二个GPU根本没有使用。
但是，如果我只选择一个GPU，每个GPU都可以工作。
此外，这两个gpus可以并行运行，在毕道尔。
按照一些实例，我尝试使用以下代码运行多个gpus：
📷
📷
下面是NVIDIA输出，当我运行一个多gpus模型.
📷
库达= 10.1，cudnn = 7.6.5。
浏览 0提问于2020-09-04得票数 1
我使用Keras和tensorflow作为后端。我有一个编译/训练的模型。
我的预测循环很慢，所以我想找到一种方法来并行化predict_proba调用来加快速度。我想获取一个批次列表(数据)，然后根据可用的图形处理器，在这些批次的子集上运行model.predict_proba()。
本质上：
data = [ batch_0, batch_1, ... , batch_N ]
on gpu_0 => return predict_proba(batch_0)
on gpu_1 => return predict_proba(batch_1)
...
on gpu_N =>
浏览 3提问于2017-02-23得票数 13
回答已采纳
1回答
神经网络: gpu与非gpu
、、、、
我需要训练一个递归的神经网络作为语言模型，我决定使用带有theano后端的keras作为语言模型。用普通的PC和一些显卡来代替不能进行gpu计算的“酷”服务器机器更好吗？是否有一个边界(也许是由NN的结构和训练数据量提供的)，它将“cpu可学习的”问题与那些只能通过gpu? (在合理的时间内)完成的问题分开。
)在我工作的公司，我可以访问一台较旧的生产服务器。它有16个核心，大约49 is的可用内存，所以我以为我已经准备好接受训练了，现在我正在阅读关于gpu优化theano正在做的事情，我认为我基本上没有它就完蛋了。
编辑
我刚刚遇到了这个，在这里，TomášMikolov说，他们在10天内成
浏览 1提问于2016-12-10得票数 1
我知道，使用TensorFlow，可以手动控制我们声明变量的位置(例如: GPU上的神经网络的一半，另一个GPU上的其余部分)。
尽管我们可以将变量手动放置在多个GPU 上，但是它们是否可以自动地放置在这些GPU上，例如使用自动变量放置？TensorFlow的文档似乎从来没有明确提到自动设备放置是否处理多个GPU情况。
例如，假设我使用带有TensorFlow后端的Keras构建了一个模型。如果模型不适合第一个GPU，因为它太大，TensorFlow会自动使用第二个GPU (以及可能更多的GPU)来声明神经网络的变量吗？
谢谢。
浏览 3提问于2017-07-28得票数 1
回答已采纳
2回答
我有2个GPU类型的NVIDIA GTX 1070钛。我想用这样的方式训练更多的模型:一半的模型只在一个GPU上训练，另一半同时在另一个GPU上训练。因此，随着训练的进行，一个模型到GPU1，下一个模型到GPU2，.我不想在这两个GPU上训练一个型号。我在TensorFlow后端使用Keras。你能给我推荐一些资源吗?我能看出来怎么做吗？大多数在线示例/文章只在您想要在两个GPU上分发一个模型时才会涉及到这种情况。谢谢。
浏览 0提问于2019-03-12得票数 0
回答已采纳
3回答
现实中多gpu训练的优势是什么？
、、、、
一个gpu和多个gpu的训练损失递减速度基本相同.
在平均梯度后，多gpu的唯一好处是模型似乎同时看到了更多的数据。
但是为什么平均梯度呢？模型是否真的同时提供了更多的数据？
浏览 0提问于2018-12-25得票数 3
回答已采纳
使用tensorflow.keras (支持GPU的2.0-Alpha0)，我在新编译的模型和之前保存和重新加载的模型上使用tf.keras.model.fit()的初始化时间都非常长。 我相信这是在tf.data.Datasets()已经加载和预处理之后，所以我不明白为什么花了这么长时间，并且TF/Keras没有输出： 2019-04-19 23:29:18.109067: tensorflow/core/common_runtime/gpu/gpu_device.cc:1149] Created TensorFlow device
Resizing images and creating
浏览 98提问于2019-04-20得票数 11
3回答
是否有任何方法来检查Keras框架是否使用GPU或CPU来训练模型？
我正在用keras在GPU上训练我的模型，但是速度太慢了，我不确定它是用CPU还是GPU来训练。
浏览 13提问于2020-08-14得票数 1
回答已采纳
我使用木星笔记本运行带有Tensorflow GPU后端的Keras。我对各种虚拟模型做了一些测试，同时使用MSI Afterburner、GPU、nvidia-smi和任务管理器监控我的GPU使用情况。我的GPU是一个GeForce GTX 960米，它没有问题运行游戏。运行Keras时温度也很低。
我注意到的是，Keras在开始时运行良好(例如加载或训练模型)，但是每当Keras不运行任何东西时，GPU自然希望从1097 MHz空闲到0 MHz，并且一旦出现GPU崩溃。我可以看到，"GPU丢失了“的NVSMI。然后，我必须禁用并重新启用设备管理器中的GPU以使其工作。
有人知道为什
浏览 1提问于2018-11-01得票数 1
1回答
1)批处理规范化层是如何与多点_gpu_模型工作的？
它是在每个GPU上单独计算，还是在GPU之间进行某种程度的同步？
2)保存模型时，保存了哪些批规范化参数？(因为在Keras中使用多个gpus时，必须按照建议的这里保存原始模型)？
在multi_gpu_model的文档中写着：
具体而言，该功能实现了单机多GPU数据并行.
这对批处理标准化意味着什么？
浏览 0提问于2019-03-22得票数 3
1回答
我正在使用现有的模型来训练一个基于Tensorflow和Keras的CRNN模型。我正在使用anaconda-navigator来训练模型。 在训练模型时，它似乎没有使用GPU，因为我的GPU使用率为5-6%。我附加了顶级-i命令Nvidia Xserver的图像，而且我的gpu没有被Tensorflow拾取，因为tf.test.gpu_device_name()只显示CPU，如下面的tf.test.gpu_device_name() Tensorflow and Keras Versions in anaconda top -i output屏幕截图所示。
浏览 20提问于2021-01-08得票数 1
3回答
我正在尝试创建一个非常大的Keras模型，并将其分布在多个GPU上。需要说明的是，我并不是想把同一模型的多个副本放在多个GPU上；我是想把一个大模型放在多个GPU上。我一直在使用Keras中的multi_gpu_model函数，但基于我在执行此操作时遇到的大量内存不足错误，它似乎只是复制了模型，而不是像我希望的那样分发它。 我研究了Horovod，但是因为我有很多windows特定的日志工具在运行，所以我在犹豫是否要使用它。 这似乎只剩下tf.estimators可供我使用了。但是，从文档中还不清楚我将如何使用这些估计器来完成我想要做的事情。例如，tf.contrib.distribute中
浏览 48提问于2019-02-06得票数 0
回答已采纳
我的服务器配置如下：
Apache2.4.23.
Mod_wsgi 4.5.9
通过使用Django框架和apache服务器，我们调用Keras深度学习模型。和模型调用成功后，模型一直运行在GPU内存中，除非关闭服务器，否则无法释放GPU内存。
那么，在通过Apache+Mod_wsgi+Django调用Keras模型时是否有任何方法来控制GPU内存的发布？
谢谢!
浏览 17提问于2017-05-12得票数 15
回答已采纳
我正在用8个gpus在超级计算机上运行我的代码。虽然，我分配了8个gpus，但其中一个刚刚被占用。我在网站上看到了一些注释，似乎Tensorflow会自动使用gpu，如果它是适用的，但我仍然不知道如何使用所有的gpu。代码只是一个深网络，需要使用model.fit()进行训练，然后使用model.predict()来预测测试数据。
浏览 0提问于2021-03-06得票数 2
假设我有一个像这样的角面模型：
with tf.device("/CPU"):
model = tf.keras.Sequential([
# Adds a densely-connected layer with 64 units to the model:
tf.keras.layers.Dense(64, activation='relu', input_shape=(32,)),
# Add another:
tf.keras.layers.Dense(64, activation='relu'),
浏览 4提问于2020-01-06得票数 0
回答已采纳
我在做什么
我正在训练和使用卷积神经元网络(CNN)进行图像分类，使用Tensorflow-gpu作为后端的Keras。
我正在使用的
PyCharm社区2018.1.2
Python2.7和3.5 (但不是一次都是)
Ubuntu 16.04
Keras 2.2.0
Tensorflow-GPU 1.8.0作为后端
我想知道的
在许多代码中，我看到人们使用
from keras import backend as K
# Do some code, e.g. train and save model
K.clear_session()
或在使用后删除模型：
浏览 5提问于2018-06-17得票数 58
2回答
我想比较使用gpu和不使用gpu时代码的处理时间。我的keras后端是Tensorflow。所以它会自动使用GPU。我使用keras/examples/mnist_mlp.py模型进行比较。
我像下面这样检查了处理时间。那么，如何禁用我的GPU呢？是否应该修改~/.keras/keras.json？
$ time python mnist_mlp.py
Test loss: 0.109761892007
Test accuracy: 0.9832
python mnist_mlp.py 38.22s user 3.18s system 162% cpu 25.543 total
浏览 0提问于2017-03-28得票数 10
回答已采纳
1回答
它似乎自动使用gpu，但我不知道为什么。
首先，我声明如下：
tf_config = tf.ConfigProto( allow_soft_placement=True )
tf_config.gpu_options.allow_growth = True
sess = tf.Session(config=tf_config)
keras.backend.set_session(sess)
然后，我定义了一些模型如下
with K.tf.device('/gpu:0'):
some keras model
这很明显，它将使用gpu，我检查它使用了第一个gpu(索引为0
浏览 0提问于2018-12-26得票数 4
回答已采纳
2回答
Every 1.0s: nvidia-smi Tue Feb 20 12:49:34 2018
Tue Feb 20 12:49:34 2018
+------------------------------------------------------------------
浏览 0提问于2018-02-20得票数 10
回答已采纳
1回答
我正在使用一个经过训练的模型来自keras。这个模型不适合GPU内存，所以我想把它划分为CPU和GPU，也许是在不同机器上的GPU上。
1)所以，如果我想在我的上得到所有的tf.variable和GPU上的计算，我怎么能做到这一点。因为有些文章显示，我们可以将tf.variable放在CPU上，计算放在GPU上。(我说的是一位训练有素的keras model)。
2)如果我想在不同的机器上将预先训练过的模型的层划分成不同的GPU。使用with tf.device并将这些层添加到我的序列模型中是正确的吗？
vgg16_model = keras.applications.vgg16.VGG16(
浏览 0提问于2018-04-04得票数 2
我在tensorflow keras model.fit输出中看到以下消息。该模型使用具有2个GPU的MirroredStrategy进行分布式处理。谁能解释一下下面的信息是什么意思？ ?
浏览 66提问于2020-08-27得票数 0
我正在开发一个基于旧版本Keras的模型，当我想使用多gpu时，他们会按如下方式导入：
from keras.utils import multi_gpu_model
multi_model = multi_gpu_model(myModel, gpus=args.gpus)
我已将导入更改为：
from tensorflow.keras import utils as multi_gpu_model
这会给我带来一个错误：
multi_model: TypeError: 'module' object is not callable
浏览 2提问于2021-08-25得票数 0
1回答
一个问题，伙计们，有人知道，如果应该得到一个类型的GPU类型的Nvidia Geforce GTX 1070 (游戏版)，鉴于我现在有GTX 1070钛？他们在这里没有另一张钛卡，所以我必须买一个不同的，但非常相似，我想知道如果使用Keras (与TensorFlow后端)，它能正常工作吗？他们不是完全相同的卡片，但可能足够相似。我想要两个GPU的Keras。
浏览 0提问于2019-03-04得票数 1
回答已采纳
我有一个带有4个Nvidia K80 GPU的盒子。我正在运行Tensorflow 2。当我运行一个培训会话(tf.keras => model.fit())时，我会看到以下日志语句：
I tensorflow/core/common_runtime/gpu/gpu_device.cc:1102] Device interconnect StreamExecutor with strength 1 edge matrix:
I tensorflow/core/common_runtime/gpu/gpu_device.cc:1108] 0 1 2 3
I tensorflow/
浏览 2提问于2020-06-14得票数 1
回答已采纳
我已经成功地设置了可以访问我的图形处理器的TensorFlow 2.1.0： ? 如果我使用Keras (from tensorflow import keras)来适应一些Sequential模型(例如here)，默认情况下会使用GPU或CPU吗？有什么命令可以查看Keras使用的是哪一个吗?我可以自己设置吗？我真的希望看到一些非常基本的Keras模型在GPU和CPU上进行训练，以便更好地感受到性能上的差异。
浏览 22提问于2020-04-13得票数 1
回答已采纳
1回答
为了评价多GPU训练的效果，我尝试了三种使用角点分割的UNet模型。
First模型在1 GPU (P100)上使用1批大小进行训练。每个训练步骤约254毫秒。(请注意，这是步骤，而不是划时代)，第二模型是使用2个批次大小使用1个GPU (P100)训练的。每个训练步骤采用~399 was，第三模型用2个GPU (P100)进行2批训练。每个训练步骤约370。从逻辑上讲，它应该与第一种情况的时间相同，因为这两个GPU并行处理1批，但花费了更多的时间。
谁能说出多GPU训练是否会缩短训练时间？作为参考，我尝试了所有的模型使用角角。
浏览 2提问于2020-03-24得票数 2
回答已采纳
当我看到在多个GPU上训练的已保存模型加载到单个GPU模型时，会出现奇怪的结果。我在一个共享环境中操作，所以我在4个GPU上进行训练，但使用单个GPU运行测试。
我看到的是，当在(i)单个GPU和(ii) 4个GPU上运行时，测试将返回截然不同的结果。例如，以下是最终选择的模型的验证步骤的输出(我使用的是提前停止的多GPU模型检查点)：
Epoch 9:: Sensitivity: 0.8317 - Specificity: 0.9478 - Avg. Sn/Sp
0.8897 - Acc: 0.9289 - PPV: 0.7555 - NPV: 0.9667 - F1: 0.7918 - R
浏览 2提问于2018-03-19得票数 0
我遇到的问题是，我不能成功地把我的训练批次分成多个GPU。如果使用来自multi_gpu_model的tensorflow.keras.utils，则tensorflow将在所有可用的gpu(例如2)上分配全部内存，但如果监视nvidia，则只使用第一个gpu (gpu)达到100%。
我现在用的是tensorflow 1.12
单装置试验
model = getSimpleCNN(... some parameters)
model .compile()
model .fit()
正如预期的那样，数据由cpu加载，模型在gpu上运行，gpu利用率为97% - 100%：
创建mult
浏览 0提问于2019-03-06得票数 0
使用自定义模型运行AWS SageMaker，在多gpu配置中使用Keras加上Tensorflow后端时，TrainingJob在算法错误中失败：
from keras.utils import multi_gpu_model
parallel_model = multi_gpu_model(model, gpus=K)
parallel_model.compile(loss='categorical_crossentropy',
optimizer='rmsprop')
parallel_model.fit(x, y, epochs=20, batch_s
浏览 1提问于2018-11-26得票数 0
回答已采纳
1回答
为了测试，我将一个模型分成两个模型，我想计算损失并将梯度应用于这两个模型，就像它是一个模型一样。 下面是我的两个简单模型： model1 = tf.keras.models.Sequential([
tf.keras.layers.Dense(10, activation="relu", input_shape=(10,)),
])
model2 = tf.keras.models.Sequential([
tf.keras.layers.Dense(10, activation="softmax", input_shape=(10,)),
浏览 23提问于2020-11-05得票数 0
回答已采纳
1回答
我正在使用Keras和Theano后端。到目前为止，我已经使用AWS EC2 GPU实例来训练我的keras网络。随着我的实验越来越大，我的网络火车越来越长，我的账单也越来越大。我计算出，好的工作站比租用云上的AWS EC2 GPU实例要好。我正在复制NVIDIA数字DevBox的组件，除了市面上有新的GPU，所以我对它们有几个问题。
对于深度学习来说，购买四台GTX 1080或双泰坦X Pascal (规格)更好吗？四个GTX1080给我10240个CUDA核心，提升速度@1733Mhz，32 of的GDDR5X VRAM和36 TFLOPs的FP32计算。以同样的价格，双泰坦X Pasca
浏览 0提问于2016-07-30得票数 3
1回答
我是Keras的新手，想要在4个Gpu上训练我的模型。不幸的是，我得到了一个内存不足的错误，批量大小为4。(输入形状256x265x32)。 现在我在想，是否有可能在所有4个GPU上进行训练，尽管批量大小为2？ 提前谢谢你， 致以亲切的问候， 迈克尔
浏览 6提问于2019-06-19得票数 0
回答已采纳
跑步时
model = load_model('path_to_model',custom_objects={'my_cutome_activation': my_cutome_activation})
造成坠机
layer = deserialize_layer(layer_data, custom_objects=custom_objects)
File "C:\Users\user\.conda\envs\dl-gpu\lib\site-packages\tensorflow\python\keras\layers\serializat
浏览 17提问于2022-05-11得票数 0
2回答
我在Linux中拥有TensorFlow，NVIDIA (CUDA)/CPU，Keras &Python3.7。根据本教程，我遵循了所有步骤：
在运行以下代码时：
# What version of Python do you have?
import sys
import tensorflow.keras
import pandas as pd
import sklearn as sk
import tensorflow as tf
print(f"Tensor Flow Version: {tf.__version__}")
print(f"Keras
浏览 10提问于2021-03-06得票数 3
回答已采纳
我正在处理一个python项目，在这个项目中，我需要为每个数据集构建多个Keras模型。在这里，当我运行Keras模型时，程序使用10%的GPU(GTX1050ti)。
我的问题是，我是否可以用我的gpu 100%来减少时间？还是有可能在同一个gpu上运行多个程序？
我尝试过在单个gpu上运行多个程序，但它不是并行运行的，例如，当我运行单个python程序时，每个时期花费了5秒，而如果我在每个时期运行2个程序，则时间将增加到10秒，那么运行多个程序的最佳方法是什么。
提前谢谢！！
浏览 0提问于2018-05-22得票数 9
回答已采纳
我需要并行计算多个深度模型，并将它们的结果平均化。在使用GPU 0完成计算之后，我的工作将永远运行。
def model_train(self, params):
from nn_arch import nn_models
X, y, gpu_no = params
print("GPU NO ", gpu_no)
with tf.device('/gpu:' + str(gpu_no)):
model1 = nn_models.lenet5()
early_callback = CustomCal
浏览 4提问于2017-04-17得票数 3
回答已采纳
我使用具有tensorflow和多个gpu配置的python 3，我尝试使用插入多个gpu模型，我创建了一个模型，它很好，编译、运行和训练，但是当我尝试在模型编译之前添加这个模型：
from tensorflow.python.keras.utils import multi_gpu_model
model = multi_gpu_model(model, gpus=2, cpu_merge=False)
我知道这个错误
TypeError: int()参数必须是字符串或数字，而不是'TensorShape‘
注意，我使用的是tf和急切的eval。
我发现指的是使用keras.
浏览 0提问于2019-01-30得票数 2
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
