TensorFlow 2.0之后動態(tài)分配顯存方式
TensorFlow 2.0之后動態(tài)分配顯存
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動態(tài)分配顯存
tensoflow或者基于tensorflow的keras,好像默認(rèn)會直接將GPU中所有的顯存都讀過來,然后慢慢用。
這樣如果是服務(wù)器是的話,別人就沒法用了,這里轉(zhuǎn)載了動態(tài)分配顯存的方法:
tensorflow下,加入代碼:
config = tf.ConfigProto() config.gpu_options.allow_growth = True ? #設(shè)置動態(tài)分配顯存 session = tf.Session(config=config, ...)
或者:
config = tf.ConfigProto() config.gpu_options.per_process_gpu_memory_fraction = 0.3 ? #只一次調(diào)用30%的顯存 session = tf.Session(config=config, ...)
對于keras,如果使用tensorflow作為后端,多加一句話就好了:
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)) # 此處不同
總結(jié)
以上為個(gè)人經(jīng)驗(yàn),希望能給大家一個(gè)參考,也希望大家多多支持腳本之家。
相關(guān)文章
解決python 出現(xiàn)unknown encoding: idna 的問題
這篇文章主要介紹了解決python出現(xiàn) unknown encoding: idna 的問題,具有很好的參考價(jià)值,希望對大家有所幫助。一起跟隨小編過來看看吧2021-03-03python繪制規(guī)則網(wǎng)絡(luò)圖形實(shí)例
今天小編大家分享一篇python繪制規(guī)則網(wǎng)絡(luò)圖形實(shí)例,具有很好的參考價(jià)值,希望對大家有所幫助。一起跟隨小編過來看看吧2019-12-1218個(gè)Python入門經(jīng)典必背的程序分享
這篇文章主要為大家介紹了Python入門經(jīng)典必背的18個(gè)程序。注意:這是初學(xué)者要牢記的 18 個(gè)代碼,入門之后就簡單了,快跟隨小編一起來學(xué)習(xí)一下吧2023-02-02關(guān)于jupyter lab安裝及導(dǎo)入tensorflow找不到模塊的問題
這篇文章主要介紹了關(guān)于jupyter lab安裝及導(dǎo)入tensorflow找不到模塊的問題,本文給大家介紹的非常詳細(xì),對大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2021-03-03pytorch模型轉(zhuǎn)換為onnx可視化(使用netron)
netron 是一個(gè)非常好用的網(wǎng)絡(luò)結(jié)構(gòu)可視化工具,但是netron對pytorch模型的支持還不成熟,這篇文章主要介紹了pytorch模型轉(zhuǎn)換為onnx,并使用netron可視化,需要的朋友可以參考下2023-05-05

pandas如何使用列表和字典創(chuàng)建?Series

python 實(shí)現(xiàn)數(shù)組list 添加、修改、刪除的方法