支持的設備

在一套標準系統中通常有多臺計算設備。TensorFlow 支持CPU和GPU這兩種設備。它們均用strings表示。

例如：

"/cpu:0"：機器的 CPU

"/device:GPU:0"：機器的 GPU（如果有一個）

"/device:GPU:1"：機器的第二個 GPU（以此類推）

如果 TensorFlow 指令中兼有 CPU 和 GPU 實現，當該指令分配到設備時，GPU 設備有優先權。例如，如果matmul同時存在 CPU 和 GPU 核函數，在同時有cpu:0和gpu:0設備的系統中，gpu:0會被選來運行matmul。

記錄設備分配方式

要找出您的指令和張量被分配到哪個設備，請創建會話并將log_device_placement配置選項設為True。

# Creates a graph.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 with log_device_placement set to True.sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))# Runs the op.print(sess.run(c))

您應該會看到以下輸出內容：

Device mapping:/job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: Tesla K40c, pci busid: 0000:05:00.0b: /job:localhost/replica:0/task:0/device:GPU:0a: /job:localhost/replica:0/task:0/device:GPU:0MatMul: /job:localhost/replica:0/task:0/device:GPU:0[[ 22. 28.][ 49. 64.]]

手動分配設備

如果您希望特定指令在您選擇的設備（而非系統自動為您選擇的設備）上運行，您可以使用with tf.device創建設備上下文，這個上下文中的所有指令都將被分配在同一個設備上運行。

# Creates a graph.with tf.device('/cpu:0'): 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 with log_device_placement set to True.sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))# Runs the op.print(sess.run(c))

您會看到現在a和b被分配到cpu:0。由于未明確指定運行MatMul指令的設備，因此 TensorFlow 運行時將根據指令和可用設備（此示例中的gpu:0）選擇一個設備，并會根據要求自動復制設備間的張量。

Device mapping:/job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: Tesla K40c, pci busid: 0000:05:00.0b: /job:localhost/replica:0/task:0/cpu:0a: /job:localhost/replica:0/task:0/cpu:0MatMul: /job:localhost/replica:0/task:0/device:GPU:0[[ 22. 28.][ 49. 64.]]

允許增加 GPU 內存

默認情況下，TensorFlow 會映射進程可見的所有 GPU 的幾乎所有 GPU 內存（取決于CUDA_VISIBLE_DEVICES）。通過減少內存碎片，可以更有效地使用設備上相對寶貴的 GPU 內存資源。

在某些情況下，最理想的是進程只分配可用內存的一個子集，或者僅根據進程需要增加內存使用量。TensorFlow 在 Session 上提供兩個 Config 選項來進行控制。

第一個是allow_growth選項，它試圖根據運行時的需要來分配 GPU 內存：它剛開始分配很少的內存，隨著 Session 開始運行并需要更多 GPU 內存，我們會擴展 TensorFlow 進程所需的 GPU 內存區域。請注意，我們不會釋放內存，因為這可能導致出現更嚴重的內存碎片情況。要開啟此選項，請通過以下方式在 ConfigProto 中設置選項：

config = tf.ConfigProto()config.gpu_options.allow_growth = Truesession = tf.Session(config=config, ...)

如要真正限制 TensorFlow 進程可使用的 GPU 內存量，這非常實用。

在多 GPU 系統中使用單一 GPU

如果您的系統中有多個 GPU，則默認情況下將選擇 ID 最小的 GPU。如果您希望在其他 GPU 上運行，則需要顯式指定偏好設置：

# Creates a graph.with tf.device('/device:GPU:2'): 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 with log_device_placement set to True.sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))# Runs the op.print(sess.run(c))

如果您指定的設備不存在，您會看到InvalidArgumentError：

InvalidArgumentError: Invalid argument: Cannot assign a device to node 'b':Could not satisfy explicit device specification '/device:GPU:2' [[Node: b = Const[dtype=DT_FLOAT, value=Tensor, _device="/device:GPU:2"]()]]

當指定設備不存在時，如果您希望 TensorFlow 自動選擇現有的受支持設備來運行指令，則可以在創建會話時將配置選項中的allow_soft_placement設為True。

# Creates a graph.with tf.device('/device:GPU:2'): 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 with allow_soft_placement and log_device_placement set# to True.sess = tf.Session(config=tf.ConfigProto( allow_soft_placement=True, log_device_placement=True))# Runs the op.print(sess.run(c))

使用多個 GPU

如果您想要在多個 GPU 上運行 TensorFlow，則可以采用多塔式方式構建模型，其中每個塔都會分配給不同 GPU。例如：

# Creates a graph.c = []for d in ['/device:GPU:2', '/device:GPU:3']: with tf.device(d): a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3]) b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2]) c.append(tf.matmul(a, b))with tf.device('/cpu:0'): sum = tf.add_n(c)# Creates a session with log_device_placement set to True.sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))# Runs the op.print(sess.run(sum))

您會看到以下輸出內容：

Device mapping:/job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: Tesla K20m, pci busid: 0000:02:00.0/job:localhost/replica:0/task:0/device:GPU:1 -> device: 1, name: Tesla K20m, pci busid: 0000:03:00.0/job:localhost/replica:0/task:0/device:GPU:2 -> device: 2, name: Tesla K20m, pci busid: 0000:83:00.0/job:localhost/replica:0/task:0/device:GPU:3 -> device: 3, name: Tesla K20m, pci busid: 0000:84:00.0Const_3: /job:localhost/replica:0/task:0/device:GPU:3Const_2: /job:localhost/replica:0/task:0/device:GPU:3MatMul_1: /job:localhost/replica:0/task:0/device:GPU:3Const_1: /job:localhost/replica:0/task:0/device:GPU:2Const: /job:localhost/replica:0/task:0/device:GPU:2MatMul: /job:localhost/replica:0/task:0/device:GPU:2AddN: /job:localhost/replica:0/task:0/cpu:0[[ 44. 56.][ 98. 128.]]

cifar10 教程就是個很好的例子（https://tensorflow.google.cn/tutorials/images/deep_cnn?hl=zh-CN），演示了如何使用多個 GPU 進行訓練。