带有 Tensorflow 后端的 Keras 是否可以随意强制使用 CPU 或 GPU？

如果你想强制 Keras 使用 CPU

方式一

import os
os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"   # see issue #152
os.environ["CUDA_VISIBLE_DEVICES"] = ""

在导入 Keras / Tensorflow 之前。

方式二

运行你的脚本

$ CUDA_VISIBLE_DEVICES="" ./your_keras_code.py

也可以看看

https://github.com/keras-team/keras/issues/152 https://github.com/fchollet/keras/issues/4613

---

这对我有用（win10），在导入 keras 之前放置：

import os
os.environ['CUDA_VISIBLE_DEVICES'] = '-1'

---

这样做的一个相当可分离的方法是使用

import tensorflow as tf
from keras import backend as K

num_cores = 4

if GPU:
    num_GPU = 1
    num_CPU = 1
if CPU:
    num_CPU = 1
    num_GPU = 0

config = tf.ConfigProto(intra_op_parallelism_threads=num_cores,
                        inter_op_parallelism_threads=num_cores, 
                        allow_soft_placement=True,
                        device_count = {'CPU' : num_CPU,
                                        'GPU' : num_GPU}
                       )

session = tf.Session(config=config)
K.set_session(session)

在这里，使用 booleans GPU 和 CPU，我们通过严格定义允许 Tensorflow 会话访问的 GPU 和 CPU 的数量来指示我们是否希望使用 GPU 或 CPU 运行我们的代码。变量 num_GPU 和 num_CPU 定义了这个值。 num_cores 然后通过 intra_op_parallelism_threads 和 inter_op_parallelism_threads 设置可供使用的 CPU 内核数。

intra_op_parallelism_threads 变量指示计算图中单个节点中的并行操作允许使用的线程数（内部）。而 inter_ops_parallelism_threads 变量定义跨计算图（inter）节点的并行操作可访问的线程数。

allow_soft_placement 允许在满足以下任一条件时在 CPU 上运行操作：

该操作没有 GPU 实现 没有已知或注册的 GPU 设备 需要与来自 CPU 的其他输入共同定位

所有这些都在我的类的构造函数中执行，然后再进行任何其他操作，并且与我使用的任何模型或其他代码完全分离。

注意：这需要安装 tensorflow-gpu 和 cuda/cudnn，因为提供了使用 GPU 的选项。

参考：

ConfigProto 中的 allow_soft_placement 和 log_device_placement 等选项是什么意思？

inter_op_parallelism_threads 和 intra_op_parallelism_threads 的含义

---

只需导入 tensorflow 并使用 keras，就这么简单。

import tensorflow as tf
# your code here
with tf.device('/gpu:0'):
    model.fit(X, y, epochs=20, batch_size=128, callbacks=callbacks_list)

---

根据 keras tutorial，您可以简单地使用与常规 tensorflow 中相同的 tf.device 范围：

with tf.device('/gpu:0'):
    x = tf.placeholder(tf.float32, shape=(None, 20, 64))
    y = LSTM(32)(x)  # all ops in the LSTM layer will live on GPU:0

with tf.device('/cpu:0'):
    x = tf.placeholder(tf.float32, shape=(None, 20, 64))
    y = LSTM(32)(x)  # all ops in the LSTM layer will live on CPU:0

---

我只是花了一些时间弄清楚。托马斯的回答并不完整。假设你的程序是 test.py，你想使用 gpu0 来运行这个程序，并保持其他 gpus 空闲。

你应该写 CUDA_VISIBLE_DEVICES=0 python test.py

注意它是 DEVICES 而不是 DEVICE

---

对于使用 PyCharm 和强制 CPU 的人，您可以在运行/调试配置中的环境变量下添加以下行：

<OTHER_ENVIRONMENT_VARIABLES>;CUDA_VISIBLE_DEVICES=-1

---