我是否需要修改我keras代码在GPU高效运行？

Question

我有cuda8.0.61，tensorflow_gpu版本和keras。我训练对224 * 224的图像数据20层的层的keras模型当我在终端运行NVIDIA -smi，我发现，存储器被习惯并计算util的是％以下。当我尝试拟合模型机器变得很慢。

我知道，为了使用GPU，我应该使用下面的代码的设备之间进行切换：

with K.tf.device('/gpu:0'):
tf_config = tf.ConfigProto( allow_soft_placement=True )
tf_config.gpu_options.allow_growth = True
sess = tf.Session(config=tf_config) 
keras.backend.set_session(sess)

我需要CPU和GPU之间切换，通过使用块，诸如与K.tf.device（“/ GPU：0”）：增加我的速度，并用K.tf.device（“/ CPU：0”）：？

我使用numpy的阵列来存储影像。我是否需要使用tf.array或tf.convert_to_tensor？这会不会是任何帮助吗？

Answer 1

如果tensorflow GPU被安装在系统上，那么你的系统会自动使用GPU进行计算，但是出现问题是因为GPU并不总是有它需要提供给它进行计算，即瓶颈发生在你的输入管道中的数据，只是tf.array和tf.convert_to_tensor不可能帮助，因为他们只在内存控制数据一次，你需要的是generators（考虑到这是蟒蛇），发电机是返回一个对象（迭代器），我们可以遍历一个函数（一个值在时间）。

发电机和它的迭代器在tensorflow已经实施的tf.data API https://www.tensorflow.org/guide/datasets您可以直接使用它们，并相应地修改您的管道。