tf.ConfigProto()如何在Tensorflow中使用

tf.ConfigProto()如何在Tensorflow中使用？相信很多沒有經(jīng)驗(yàn)的人對此束手無策，為此本文總結(jié)了問題出現(xiàn)的原因和解決方法，通過這篇文章希望你能解決這個(gè)問題。

tf.ConfigProto()主要的作用是配置tf.Session的運(yùn)算方式，比如gpu運(yùn)算或者cpu運(yùn)算

具體代碼如下：

import tensorflow as tf

session_config = tf.ConfigProto(
   log_device_placement=True,
   inter_op_parallelism_threads=0,
   intra_op_parallelism_threads=0,
   allow_soft_placement=True)

sess = tf.Session(config=session_config)

a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2,3], name='b')
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)
print(sess.run(c))

具體解釋

log_device_placement=True

設(shè)置為True時(shí)，會(huì)打印出TensorFlow使用了那種操作

inter_op_parallelism_threads=0

設(shè)置線程一個(gè)操作內(nèi)部并行運(yùn)算的線程數(shù)，比如矩陣乘法，如果設(shè)置為０，則表示以最優(yōu)的線程數(shù)處理

intra_op_parallelism_threads=0

設(shè)置多個(gè)操作并行運(yùn)算的線程數(shù)，比如 c = a + b，d = e + f . 可以并行運(yùn)算

allow_soft_placement=True

有時(shí)候，不同的設(shè)備，它的cpu和gpu是不同的，如果將這個(gè)選項(xiàng)設(shè)置成True，那么當(dāng)運(yùn)行設(shè)備不滿足要求時(shí)，會(huì)自動(dòng)分配GPU或者CPU。

其他選項(xiàng)

當(dāng)使用GPU時(shí)候，Tensorflow運(yùn)行自動(dòng)慢慢達(dá)到最大GPU的內(nèi)存

session_config.gpu_options.allow_growth = True

當(dāng)使用GPU時(shí)，設(shè)置GPU內(nèi)存使用最大比例

session_config.gpu_options.per_process_gpu_memory_fraction = 0.4

是否能夠使用GPU進(jìn)行運(yùn)算

tf.test.is_built_with_cuda()

另外的處理方法

import tensorflow as tf

sess = tf.Session()

with tf.device('/cpu:0'):
  a = tf.constant([1.0, 3.0, 5.0], shape=[1, 3])
  b = tf.constant([2.0, 4.0, 6.0], shape=[3, 1])

  with tf.device('/gpu:0'):
    c = tf.matmul(a, b)
    c = tf.reshape(c, [-1])

  with tf.device('/gpu:0'):
    d = tf.matmul(b, a)
    flat_d = tf.reshape(d, [-1])

  combined = tf.multiply(c, flat_d)
  print(sess.run(combined))

看完上述內(nèi)容，你們掌握tf.ConfigProto()如何在Tensorflow中使用的方法了嗎？如果還想學(xué)到更多技能或想了解更多相關(guān)內(nèi)容，歡迎關(guān)注億速云行業(yè)資訊頻道，感謝各位的閱讀！