Tensorflow不会使用tf.distribute.MirroredStrategy()检测多个CPU核心。
TensorFlow是一个开源的机器学习框架，tf.distribute.MirroredStrategy()是TensorFlow中用于分布式训练的策略之一。它可以在多个GPU上进行模型训练，但不支持多个CPU核心。
tf.distribute.MirroredStrategy()是一种数据并行的分布式策略，它通过在每个GPU上复制模型和数据来实现并行训练。每个GPU都独立地计算梯度，并使用同步方式将梯度聚合到主设备上进行参数更新。这种策略适用于单机多卡的训练场景。
然而，tf.distribute.MirroredStrategy()并不支持多个CPU核心的并行训练。如果想要在多个CPU核心上进行并行训练，可以考虑使用其他的分布式策略，如tf.distribute.experimental.MultiWorkerMirroredStrategy()或tf.distribute.experimental.TPUStrategy()。
tf.distribute.experimental.MultiWorkerMirroredStrategy()是一种多机多卡的分布式策略，它可以在多台机器上的多个GPU上进行并行训练。每个GPU都独立地计算梯度，并使用同步方式将梯度聚合到主设备上进行参数更新。这种策略适用于多机多卡的训练场景。
tf.distribute.experimental.TPUStrategy()是一种专门为Google的TPU（Tensor Processing Unit）设计的分布式策略，它可以在多个TPU上进行并行训练。类似于MirroredStrategy，每个TPU都独立地计算梯度，并使用同步方式将梯度聚合到主设备上进行参数更新。
总结起来，如果要在多个CPU核心上进行并行训练，可以考虑使用tf.distribute.experimental.MultiWorkerMirroredStrategy()或tf.distribute.experimental.TPUStrategy()。这些策略可以实现在多个设备上并行计算和参数更新，从而加速训练过程。
腾讯云提供了一系列与TensorFlow相关的产品和服务，包括云服务器、GPU实例、容器服务、AI推理服务等。您可以通过腾讯云官方网站（https://cloud.tencent.com/）了解更多关于这些产品的详细信息和使用指南。
相关·内容
我正在尝试使用tf.distribute.MirroredStrategy()来训练多gpu。
在多次尝试应用于我的自定义代码之后，它出现了一些关于NcclAllReduce的错误。
因此，我使用tf.distribute从tensorflow页面复制mnist教程，运行它有相同的错误。日志和我的环境如下
我的env
Sys.Platform？-窗口10。
Python----------3.7.6
Numpy
INFO:tensorflow:batch_all_reduce: 8 all-reduces with algorithm = nccl, num_packs = 1, ag
浏览 5提问于2020-02-07得票数 1
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
1回答
我猜tensorflow默认使用单核(当我不使用“协调器”时)，因为tensorflow是python库。
然而，当我在Mac上看到使用默认设置运行tensorflow代码的活动监视器时，Python3.6的$CPU大于100%，线程数大于10。
tensorflow默认使用多核吗？
浏览 0提问于2017-11-14得票数 2
我想在我的多图形处理器系统上使用tf.contrib.distribute.MirroredStrategy()，但它没有使用GPU进行训练(参见下面的输出)。另外，我正在运行tensorflow-gpu 1.12。 我确实尝试在MirroredStrategy中直接指定GPU，但同样的问题也出现了。 model = models.Model(inputs=input, outputs=y_output)
optimizer = tf.train.AdamOptimizer(LEARNING_RATE)
model.compile(loss=lossFunc, optimizer=optim
浏览 49提问于2019-02-19得票数 9
我正在运行来自TensorFlow models 的imagenet。我已经按照中的描述对sess.run进行了检测，并在chrome://跟踪中获得了以下视图
我想知道TF有时是使用多核还是一直使用单核。当操作可以并行运行时，我会认为它使用了多个内核，如图中红色框所示。然而，这6个线程都列在/job:localhost/replicate:0/task:0/cpu:0下，这让我质疑我的解释。cpu:0是否表示所有CPU核心？
我在一个有8个内核的台式机上运行。在TF运行期间，我运行htop来查看内核利用率，我发现只有一个内核达到了95-100%的饱和度。
浏览 29提问于2017-03-17得票数 23
从我运行的实验来看，TensorFlow似乎会自动使用一台机器上的所有CPU。此外，似乎TensorFlow将所有CPU都称为/cpu:0。
我说的对吗?只有一台机器的不同GPU作为单独的设备被索引和查看，而一台机器上的所有CPU作为一个设备被查看？
从TensorFlows的角度来看，一台机器可以有多个CPU吗？
浏览 2提问于2016-08-09得票数 24
回答已采纳
我想在我的本地机器(1 CPU，1 cuda兼容GPU)中实现异步优势Actor批评家(A3C)模型来强化学习。在该算法中，多个“学习者”网络与环境副本交互，并周期性地更新中心模型。
我看到了在同一个图中创建n个“工作者”网络和一个“全局”网络的实现，并使用线程来运行这些网络。在这些方法中，通过对具有“全局”范围的可训练参数应用梯度来更新全局网络。
然而，我最近读到了一些关于分布式tensorflow的文章，现在我有点困惑了。使用分布式tensorflow API实现这一点是否更容易/更快/更好？在文档和谈话中，他们总是提到在多设备环境中使用它。我不知道在本地异步算法中使用它是否过分。
我还想
浏览 1提问于2018-01-05得票数 12
回答已采纳
我一直想增加我的批处理大小，以提高我的模型的通用性(它对批处理大小非常敏感)。这个问题的解决方案是使用多个GPU，以利用更多的内存。我在我的脚本中使用tensorflow.keras (在Windows10上使用TensorFlow2.1)，并按照说明为我的模型配置镜像策略。问题是，我的训练脚本在没有镜像策略代码的情况下运行得很好，但是使用镜像策略时，我得到了一个关于NCCL的错误。这看起来与以下问题完全相同： https://github.com/tensorflow/tensorflow/issues/21470 不幸的是，该链接中讨论的解决方案： cross_tower_ops = t
浏览 52提问于2020-04-01得票数 4
回答已采纳
编写了自定义代码(而不是使用TensorFlow中提供的股票示例脚本)：no
操作系统平台和发行版(例如LinuxUbuntu16.04)：Windows 10 x64
从(源或二进制)安装的TensorFlow ：二进制
TensorFlow版本(使用下面的命令)：1.8.0
Python版本：3.6
Bazel版本(如果从源代码编译)：-
GCC/编译器版本(如果从源代码编译)：-
CUDA/cuDNN版本：9.0
GPU模型和内存：3.5
用于复制：simple_tfkeras_example.py的精确命令
我想使用MirroredStr
浏览 2提问于2018-06-05得票数 5
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
有没有可能在本地机器上启动分布式TensorFlow，让每个工作者都有一个模型副本？
如果是，是否可以将每个代理分配为仅使用单个CPU核心？
浏览 4提问于2016-06-24得票数 3
我使用Keras API在Tensorflow 2.0中训练了一个包含RNN的文本分类模型。我使用的tf.distribute.MirroredStrategy()在多个GPU(2)上训练了这个模型。我在每个时期之后使用tf.keras.callbacks.ModelCheckpoint('file_name.h5')保存了模型的检查点。现在，我想在上次保存的相同数量的GPU上继续训练。像这样在tf.distribute.MirroredStrategy()中加载检查点后-
mirrored_strategy = tf.distribute.MirroredStrategy()
浏览 49提问于2019-08-06得票数 5
我使用以下命令构建tensorflow：
bazel build --config=opt //tensorflow:tensorflow_dll_import_lib
此目标在cmd中有一个选择：
genrule(
name = "tensorflow_dll_import_lib",
srcs = [":get_tensorflow_dll_import_lib"],
outs = ["tensorflow.lib"],
cmd = select({
"//tensorflow:wind
浏览 0提问于2019-07-10得票数 0
回答已采纳
1回答
我目前正在做一个项目，其中我需要使用Keras pickle来检测文本，然后我需要运行yolov3对象检测。根据这个，我正在使用Keras。我正在尝试根据下面的使用TensorFlow来应用Yolov3
代码的工作流程是:首先使用Keras，然后使用yolo，它们都是独立的函数。因此，如果我尝试在GPU上运行我的代码，在运行Keras函数之后，我似乎无法运行yolo函数，我一直收到以下错误：
Physical devices cannot be modified after being initialized")
RuntimeError: Physical dev
浏览 7提问于2020-12-26得票数 1
我有一个LSTM模型，我想训练多个gpus。我对代码进行了转换，在nvidia-smi中，我可以看到它正在使用所有gpu的所有内存，每个gpu都在使用大约40%的内存，但每批培训的估计时间几乎与1个gpu相同。
有人能引导我，告诉我如何在多个gpus上进行适当的训练吗？
我的代码：
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.layers import LSTM
fro
浏览 26提问于2019-11-28得票数 1
回答已采纳
我在我的RPC框架中使用Netty 4.0.23，我在客户端发现，当创建多个通道时，性能比创建一个通道要好。为什么？有什么方法可以在一个通道中提高性能吗?我需要将编码/解码从Netty io工作线程移动到用户线程吗？
浏览 3提问于2014-12-16得票数 0
据我所知，TensorFlow为每个核心创建了一个设备。(来源：：注意:在这种情况下，“单一设备”意味着使用单个CPU核心或单个GPU，而不是一台机器。同样，“多设备”并不是指多台机器，而是指多个CPU核和/或CPU。参见"3.3分布式执行“中的多台机器讨论)。
我的电脑有四个核，但它只识别一个：
>>> from tensorflow.python.client import device_lib
>>> print(device_lib.list_local_devices())
[name: "/cpu:0"
device_t
浏览 1提问于2016-10-06得票数 3
是否可以使用CUDA运行时API在系统中找到可用的处理器数量？我知道使用cudaDeviceProp结构可以收集关于特定图形处理器的信息，但是如何收集关于CPU core的信息呢？
浏览 0提问于2012-08-07得票数 0
我在让Keras使用GPU版本的Tensorflow而不是CPU时遇到了麻烦。每次我导入keras时，它都会说：
>>> import keras
Using TensorFlow backend
...which意味着它在工作，但在CPU上，而不是在GPU上。我安装了Cuda和cuDNN，并使用以下环境：
conda create -n tensorflow python=3.5 anaconda
我想是我先安装了tensorflow的CPU版本--我不记得了，因为我花了一整天的时间让cuda和cudnn工作。不管怎样，我也安装了GPU版本：
pip install --
浏览 1提问于2017-05-12得票数 2
1回答
全,
我最近在我们的集群上安装了tensorflow，并且一直在运行then MNIST示例代码来测试安装。我对tensorflow增加CPU数量会如何影响tensorflow的性能很感兴趣。为此，我使用不同数量的内核运行了相同的示例代码，但tensorflow似乎在可伸缩性方面做得不好。我从另一个堆栈溢出问题中发现，tensorflow会自动使用所有可用的CPU，并在运行作业时假设这是真的。
在编号的图下面可以找到。核数与耗时之比。这是5次试验的平均值，核心数从1到28。
有没有解释为什么伸缩性这么差？我并没有期望随着内核数量的增加而不断增加，因为据我所知，通信b/w内核将被考虑在内。但我
浏览 0提问于2016-11-23得票数 0
3回答
我正在阅读一份文档，它讨论的是虚拟CPU/核心的数量。但是我真的不明白什么是虚拟CPU。在哪里可以找到更多信息的任何信息或指示？这也与硬件线程有关吗？
浏览 3提问于2012-02-17得票数 1
回答已采纳
我正在为一个物体检测系统开发tensorflow-gpu和pyqt5。 我已经开发了一个基于神经网络模型的项目，它是由tensorflow训练的，它很好，但我需要加快检测率。 我的图形处理器是GTX1060，中央处理器是Corei7。 如何使用CUDA核心来划分我的计算？ 我已经搜索了很多文章，我在*stack** overflow*中问了几次，但没有得到任何回应。 如何使用tensorflow-gpu通过像PYCUDA或numba或CUPY这样的库对CUDA核心进行编程？ 我以几种方式问过这个问题，但我正在寻找一种正确的方法来使用CUDA对GPU内核进行编程( GTX1060有1280个C
浏览 28提问于2020-04-06得票数 0
回答已采纳
我在多GPU机器上遇到了OOM，因为TF 2.3似乎只使用一个GPU来分配张量。 tensorflow/core/framework/op_kernel.cc:1767] OP_REQUIRES failed at conv_ops.cc:539 :
Resource exhausted: OOM when allocating tensor with shape[20532,64,48,32]
and type float on /job:localhost/replica:0/task:0/device:GPU:0 by allocator GPU_0_bfc. 但是当我运行代码时，
浏览 36提问于2021-06-28得票数 1
我有两个GPU，一个6 6GB的GTX Titan和一个11 6GB的GTX 1080Ti。
期望: Tensorflow应该自动使用所有GPU的内存。
事实: Tensorflow将两个设备映射为gpu:0和gpu:1，但它只使用gpu:0而从不使用gpu:1，当我增加内存需求时，它会在没有使用gpu:1的内存的情况下遇到OutOfMemory异常。
我想要做的是使用两个设备的11+6=17 GB内存。我想也许tensorflow只支持相同的GPU类型，如果它们是不同的类型，它只会使用其中的一个？
浏览 2提问于2017-07-22得票数 0
我安装了tensorflow 1.12。平台为: Intel(R) Core(TM) i7-9700 K CPU @ 3.60GHz 1080TiUbuntu 16.04 Anaconda python 3.5
tensorflow本身也没问题。但是，当我运行tensorboard时，我会得到以下错误: TensorFlow库被编译为使用AVX512F指令，但这些指令在您的计算机上不可用。流产了。我怎样才能解决这个问题？谢谢。
浏览 1提问于2019-02-03得票数 4
我已经下载并安装了最新版本的Docker (在VMWare VM中，win 10 Enterprise)。我得到了折叠错误。在谷歌上搜索这一点时，我就会发现很多情况都指向另一个线程(这个线程也没有解决方案)，一些线程就会消失。
请不要引用，如果您知道问题所在，请将其写在下面:)
在C:\workspaces\stable-18.09.x\src\github.com\docker\pinata\win\src\Docker.Core\pipe\NamedPipeClient.cs:line 36的36中没有在VM上检测到任何活动，在Docker.Core.Pipe.NamedPipeClie
浏览 0提问于2018-12-20得票数 1
我的VPS被黑了好几次，黑客把一个CPU的矿工。我的主机提供商关闭VPS，如果发现了矿工，我没有在接下来的12小时内再恢复。但他们可以在周六下午21点向我发送通知:)，并在周日上午9点关闭服务器。
因此，我想监视CPU的使用情况和块文件夹，在那里，矿工总是热衷于写作。
我对Linux不太熟悉，所以请建议使用这样的脚本
检查CPU使用率，如果它高于80% (例如)做某事。
在我的情况下-删除所有从安装文件夹，并使其只读。
实际上，我不知道如何实现项目№1。
浏览 0提问于2018-01-15得票数 5
我目前有一些现有的代码，它们在GPU上工作得很好。我尝试在单GPU的Ubuntu机器和多GPU的集群服务器上运行它。这两个实验都非常快。 然而，当我尝试在我自己的笔记本电脑上用一个CPU (没有GPU)运行它时，它变得非常低……速度慢100倍以上。 我知道当我没有GPU进行训练时，速度会慢得多。但我真的希望了解“队列”是否会受到这种硬件平台差异的影响。 通常，我们使用CPU通过“队列”将数据加载到GPU，但是使用单个CPU并使用Tensorflow队列是没有任何意义的。有谁能给我一些指导吗？
浏览 18提问于2019-01-17得票数 0
回答已采纳
1回答
我有一个tensorflow (tf2.0)/keras模型，它使用多个GPU进行计算。模型中有2个分支，每个分支都在单独的GPU上。
我有一个4个GPU的系统，我想用来训练，我想镜像这个模型，这样GPU 1和2包含一个模型，GPU 3和4包含镜像的模型。
会自动处理此镜像吗？或者它假设我的模型将是单个GPU模型？
如果tf.distribute.MirroredStrategy不能处理这个问题，有没有人对如何定制MirroredStrategy来实现这个培训结构有什么建议呢？
浏览 4提问于2019-11-04得票数 0
如果能清楚地定义TensorFlow中的设备是什么，我会非常有帮助的。设备是一个单一的处理单元(不可能是“真正的”并发)吗？
通过执行以下操作，可以定义任意数量的设备：
config = tf.ConfigProto(device_count={"CPU": 2},
inter_op_parallelism_threads=2,
intra_op_parallelism_threads=1)
sess = tf.Session(config=config)
尽管只有一个有4个核心的处理器，但你怎么可
浏览 0提问于2016-10-15得票数 8
我在linux上使用tensorflow后端运行keras。首先，我自己安装了tensorflow GPU版本，并运行以下代码来检查它是否在GPU上运行，并显示它正在运行的GPU、设备映射等。
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)
# Creates a session wit
浏览 22提问于2017-07-18得票数 3
我正在集群上使用Tensorflow，我想告诉Tensorflow只在一个内核上运行(即使有更多可用内核)。
有没有人知道这是否可能？
浏览 2提问于2016-07-04得票数 17
回答已采纳
尝试安装tensorflow来使用GPU。我看到的一些文档说，tensorflow在检测到gpu支持时就会自动出现。如果是这样，我可以使用什么命令来查看tensorflow正在使用我的GPU？我看过其他文件说你需要安装tensorflow-gpu。我试过这两种方式，但不知道我的GPU是如何使用的？
浏览 2提问于2020-11-16得票数 4
回答已采纳
2回答
我刚刚发现了worker_threads模块的Node.js，它看起来很有希望！
问:将worker_threads与集群结合是否有趣/有效，还是所创建的线程自动分布在机器的不同CPU上？在这种情况下，是否有一种方法来了解线程的亲和力？
浏览 1提问于2018-08-08得票数 2
回答已采纳
1回答
我正在创建，乘以，然后把两个大矩阵的所有元素加在一起。我用两种方法(一个循环)和multiprocessing模块(参见下面的代码段)做了几百次。
def worker_loop(n):
for i in n:
mul = np.sum(np.random.normal(size=[i,i])*np.random.normal(size=[i,i]))
def worker(i):
mul = np.sum(np.random.normal(size=[i,i])*np.random.normal(size=[i,i]))
n = range(100,300)
pool
浏览 3提问于2017-09-06得票数 3
回答已采纳
1回答
我是机器学习的新手。我很想知道使用Keras而不是TensorFlow对象检测API之间的区别。
请检查两种不同类型的实现: 1) 使用Keras 2) 使用无Keras的Tensorflow对象检测API
谢谢！
浏览 0提问于2020-02-18得票数 1
回答已采纳
2回答
我想使用sklearn.linear_model.Lasso模块并行运行lasso回归。
用于提交作业的bash脚本如下所示
#!/bin/bash
#SBATCH --partition=the_partition
#SBATCH --nodes=2
#SBATCH --ntasks=56
python lasso_script.py
lasso_script.py的相关部分是
Lasso(alpha=0.1, copy_X=True, fit_intercept=True, max_iter=1000,
normalize=False, positive=False, precompu
浏览 0提问于2018-11-24得票数 0
回答已采纳
我正在使用python3和tensorflow来使用numpy view_as_windows生成图像补丁，但是由于numpy不能在GPU上运行，有什么方法可以用tensorflow来实现呢？
例：view_as_windows(array2d, window_shape, stride)
谢谢
浏览 0提问于2018-01-23得票数 1
回答已采纳
我正在进行一个从Tensorflow 1.15到2.4.1 (python3.8 )的升级项目。以下是我所面临的问题。我知道问题是关于tf.contrib的。我该怎么做呢？
if num_epochs is not None and shuffle:
dataset = dataset.apply(
tf.contrib.data.shuffle_and_repeat(buffer_size=batch_size * 10, count=num_epochs)
)
elif shuffle:
dataset = d
浏览 2提问于2021-08-14得票数 0
回答已采纳
1回答
我在使用debian的八度音阶。一切正常。
我希望八度程序能更快地完成。我的"CPU使用监视器“-icon (LXDE)显示，当八度在计算时，只使用了我的CPU的三分之一左右。
有没有办法将系统配置为使用更多的CPU进行八度计算？
-更新--
额外信息:查看htop作为我的程序运行，我有以下内容：
CPU有4个内核和7.71GiBRAM。
从开始到绘图，一个核心(显然是随机选择)在100%使用，其他在2%以下使用。
绘图开始后，另一个核心(显然也随机选择，有时是相同的)被使用到100%，而其他的则保持在2%以下。
MEM使用情况略有变化(最大差值~0.1GiB)。
互换没有任何变化。
浏览 0提问于2019-09-04得票数 0
回答已采纳
我只是想更清楚地了解到底多个核被用来做什么，以及多个核心和多个CPU之间的区别。
我试图理解，是否拥有多个核只是为了在给定的CPU中启用指令级并行，还是一个CPU中的多个核都有自己的struct，允许它们独立调用__schedule()并任意调度进程/线程，而指令级并行则由每个核中的其他模块处理。
任何想法都值得赞赏。
浏览 8提问于2021-05-10得票数 0
回答已采纳
这个问题涉及到多输入多输出Keras (Tensorflow)模型的最佳设置，给出了相应的numpy阵列。
例如，假设输入数组x1和x2以及输出数组y1和y2。可以按以下方式构建tf.data数据集：
train_data = tf.data.Dataset.zip(
(
tf.data.Dataset.from_tensor_slices(
(
x1,
x2,
)
),
tf.data.Dataset.from_tensor_
浏览 9提问于2022-04-28得票数 0
我是TensorFlow的新手。
我想在我的CUDA gpu上运行我的代码。所以我安装了TensorFlow -gpu，在安装了普通TensorFlow之后。
我如何告诉Python它需要基于gpu的TensorFlow？
浏览 0提问于2018-11-08得票数 1
回答已采纳
我可以访问具有多个CPU核心(即56个)的计算机，当使用Tensorflow训练模型时，我希望通过使每个核心成为模型的独立训练器来最大限度地利用上述核心。
在Tensorflow的文档中，我发现了这两个参数(Inter和Intra Op parallelism)，它们在训练模型时控制并行性。但是，这两个参数不允许执行我想要的操作。
我如何让每个核心成为独立的工作者？(即，每个工人对批量样本进行切分，然后每个工人根据分配的样本计算梯度。最后，每个worker根据它计算出的梯度更新变量(由所有worker共享)。
浏览 2提问于2017-08-03得票数 5
1回答
我在一台装有GPU的Windows 10计算机上运行Keras。我已经从Tensorflow 1到Tensorflow 2了，现在我觉得拟合要慢得多，希望能得到你的建议。 我正在使用以下语句测试Tensorflow是否可以看到GPU： from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())
K._get_available_gpus() 给出回应 [name: "/device:CPU:0"
device_type: "CPU"
memory
浏览 13提问于2020-04-27得票数 1
我买了一个珊瑚边缘TPU，我的覆盆子Pi使用TensorFlow Lite。
在提供商的主页上，他们说这只是为了推断和有限的转移学习。
这里的例子使用了他们自己的框架。Tensorflow核心库支持这个设备吗？
设计用于推理的Colar Edge TPU。没有FP32或FP16操作单元。而提供者的图书馆也没有它。所以我想做什么是不可能的。
而Tensorflow核心库也不支持这个设备。
浏览 9提问于2020-02-17得票数 1
回答已采纳
我想通过CPU上的内核分发我的自定义Keras模型的训练(我没有可用的CPU)。我的CPU是i7-7700，它有4个内核。然而，tensorflow仅检测到一个核心(编辑:添加了完整的控制台输出)： >>> import tensorflow as tf
2020-12-14 15:41:04.517355: W tensorflow/stream_executor/platform/default/dso_loader.cc:59] Could not load dynamic library 'libcudart.so.10.1'; dlerror: l
浏览 147提问于2020-12-14得票数 3
3回答
我的FX 6300坐在一个ASUS M5A99FX Pro R2.0，目前是超频(我做了压力级和诸如此类的Windows，以使它稳定)。现在我需要插座温度和核心温度，所以我使用lm传感器。但我真的不懂怎么读。我发现了http://blog.felipe.lessa.nom.br/?p=93，它说有两个temp1值都应该是cpu临时值，但其中一个是相对的，所以我真的不知道在压力处理时读哪一个。同样，temp2 = M/B温度等于套接字温度？
这是我的传感器输出：
k10temp-pci-00c3
Adapter: PCI adapter
temp1: +22.5°C (high
浏览 0提问于2016-03-15得票数 2
回答已采纳
我正在学习Python中的线程处理，并编写了一个简短的测试程序，该程序创建10个csv文件，并在每个文件中写入100 k行。我认为让10个线程编写自己的文件会更快，但由于某种原因，它比按顺序编写所有文件要慢2倍。
我认为这可能与操作系统对待线程的方式有关，但不确定。我是在Linux上运行这个的。
如果有人能解释一下为什么会这样，我会非常感激的。
多线程版本：
import thread, csv
N = 10 #number of threads
exitmutexes = [False]*N
def filewriter(id_):
with open('files
浏览 2提问于2015-11-29得票数 0
回答已采纳
1回答
我在训练我的模型时遇到了一些问题，特别是，训练速度有时快，有时慢(在每秒2-10层之间波动)。在使用张量板检查网络操作后，我发现tf.matmul()节点在CPU设备上运行。详情如下：
这让我非常困惑，我试图使用tf.device('/gpu:0')来执行运行在GPU上的节点，我也试图降低tensorflow版本，但这些工作都没有。下面是我的代码：
def _repeat(x, n_repeats):
with tf.variable_scope('_repeat'):
rep = tf.transpose(
浏览 6提问于2021-12-14得票数 1
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM
腾讯云开发者
