python – Tensorflow“知道”何时不将数据放入GPU中？

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了python – Tensorflow“知道”何时不将数据放入GPU中？，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含3089字，纯文字阅读大概需要5分钟。

内容图文

我尝试使用tensorboard和ten??sorflow,我做了这个设置：

rand = tf.placeholder(dtype=tf.float32)    # this will be visualised in tensorboard later on 
tf.summary.image('random_noise_visualisation', rand,max_outputs=5)
merged_summary_op = tf.summary.merge_all() # to me this seems like a helper to 
                                           # merge all tensorboard related operations

然后我评估我的merged_summary_op并为它提供一个非常大的数组,大小约为1 GB.

它似乎没有使用已经使用的内存中的任何额外GPU内存.

我还试图评估我的rand占位符,认为可能摘要操作有特殊处理来防止数据进入GPU.我做了：

random_value = np.random.randn(3000,224,224,1)
sess.run(rand,feed_dict={rand:random_value})

再次,没有额外的GPU利用率.

但是,当我这样做的时候

sess.run(rand + 2 ,feed_dict={rand:random_value}) # forced to do some calculation

GPU利用率增加,增加约1 GB.

对于上述所有实验,我使用的会话为：

sess = tf.InteractiveSession(graph=tf.Graph())

我的问题是：

> Tensorflow知道何时不打算将Tensor发送到GPU？
>从交互式会话更改为正常会话会影响此行为吗？
>这有什么特别的文件吗？

解决方法:

Does Tensorflow know when to not bother to send a Tensor to the GPU ?

是.

事实上,在你的第一个rand实验中,tensorflow发现不打扰任何设备,因为提供的提取rand已经在feed_dict中.这个相当简单的优化可以在session.py中看到：

self._final_fetches = [x for x in self._fetches if x not in feeds]

……和later on in the same file：

# We only want to really perform the run if fetches or targets are provided,
# or if the call is a partial run that specifies feeds.
if final_fetches or final_targets or (handle and feed_dict_tensor):
  results = self._do_run(handle, final_targets, final_fetches,
                         feed_dict_tensor, options, run_metadata)
else:
  results = []

第二个实验不属于此优化,因此图表是真正的评估. Tensorflow将占位符固定到可用的GPU上,因此也增加了GPU的使用率.

如果使用log_device_placement = True运行会话,则可以生动地看到这一点：

with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:
  random_value = np.random.randn(300,224,224,1)
  print(sess.run(rand + 2, feed_dict={rand: random_value}).shape)

就图像摘要操作而言,它确实很特别：ImageSummary op没有GPU实现.这是源代码(core/kernels/summary_image_op.cc)：

REGISTER_KERNEL_BUILDER(Name("ImageSummary").Device(DEVICE_CPU),
                        SummaryImageOp);

因此,如果您尝试手动将其放置到CPU,session.run()将抛出错误：

# THIS FAILS!
with tf.device('/gpu:0'):
  tf.summary.image('random_noise_visualisation', rand,max_outputs=5)
  merged_summary_op = tf.summary.merge_all() # to me this seems like a helper to
                                             # merge all tensorboard related operations

这似乎是合理的,因为摘要操作不执行任何复杂的计算,并且主要处理磁盘I / O.

ImageSummary不是唯一的CPU操作,例如,所有摘要操作都是.有一个related GitHub issue,但目前没有更好的方法来检查GPU是否支持特定的操作,其他检查源代码.

通常,tensorflow尝试尽可能多地利用可用资源,因此当GPU布局成为可能且没有其他限制适用时,引擎倾向于选择GPU而不是CPU.

Will changing from Interactive session to a normal session affect this behaviour ?

否.InteractiveSession不会影响设备放置逻辑.唯一的区别在于InteractiveSession在创建时使自己成为默认会话,而Session默认只在with block中.

Is there any particular documentation for this ?

我害怕在这里犯错,但可能不会.对我来说,最好的事实来源是源代码.

内容总结

以上是互联网集市为您收集整理的python – Tensorflow“知道”何时不将数据放入GPU中？全部内容，希望文章能够帮你解决python – Tensorflow“知道”何时不将数据放入GPU中？所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

---