溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章主要為大家展示了keras如何用多gpu并行運行，內容簡而易懂，希望大家可以學習一下，學習完之后肯定會有收獲的，下面讓小編帶大家一起來看看吧。
一、多張gpu的卡上使用keras
有多張gpu卡時，推薦使用tensorflow 作為后端。使用多張gpu運行model，可以分為兩種情況，一是數據并行，二是設備并行。
二、數據并行
數據并行將目標模型在多個設備上各復制一份，并使用每個設備上的復制品處理整個數據集的不同部分數據。
利用multi_gpu_model實現
keras.utils.multi_gpu_model(model, gpus=None, cpu_merge=True, cpu_relocation=False)
具體來說，該功能實現了單機多 GPU 數據并行性。 它的工作原理如下：
將模型的輸入分成多個子批次。
在每個子批次上應用模型副本。 每個模型副本都在專用 GPU 上執行。
將結果（在 CPU 上）連接成一個大批量。
例如， 如果你的 batch_size 是 64，且你使用 gpus=2， 那么我們將把輸入分為兩個 32 個樣本的子批次， 在 1 個 GPU 上處理 1 個子批次，然后返回完整批次的 64 個處理過的樣本。
參數
model: 一個 Keras 模型實例。為了避免OOM錯誤，該模型可以建立在 CPU 上， 詳見下面的使用樣例。
gpus: 整數 >= 2 或整數列表，創建模型副本的 GPU 數量， 或 GPU ID 的列表。
cpu_merge: 一個布爾值，用于標識是否強制合并 CPU 范圍內的模型權重。
cpu_relocation: 一個布爾值，用來確定是否在 CPU 的范圍內創建模型的權重。如果模型沒有在任何一個設備范圍內定義，您仍然可以通過激活這個選項來拯救它。
返回
一個 Keras Model 實例，它可以像初始 model 參數一樣使用，但它將工作負載分布在多個 GPU 上。
例子
import tensorflow as tf
from keras.applications import Xception
from keras.utils import multi_gpu_model
import numpy as np
num_samples = 1000
height = 224
width = 224
num_classes = 1000
# 實例化基礎模型（或者「模版」模型）。
# 我們推薦在 CPU 設備范圍內做此操作，
# 這樣模型的權重就會存儲在 CPU 內存中。
# 否則它們會存儲在 GPU 上，而完全被共享。
with tf.device('/cpu:0'):
model = Xception(weights=None,
input_shape=(height, width, 3),
classes=num_classes)
# 復制模型到 8 個 GPU 上。
# 這假設你的機器有 8 個可用 GPU。
parallel_model = multi_gpu_model(model, gpus=8)
parallel_model.compile(loss='categorical_crossentropy',
optimizer='rmsprop')
# 生成虛擬數據
x = np.random.random((num_samples, height, width, 3))
y = np.random.random((num_samples, num_classes))
# 這個 `fit` 調用將分布在 8 個 GPU 上。
# 由于 batch size 是 256, 每個 GPU 將處理 32 個樣本。
parallel_model.fit(x, y, epochs=20, batch_size=256)
# 通過模版模型存儲模型（共享相同權重）：
model.save('my_model.h6')注意：
要保存多 GPU 模型，請通過模板模型（傳遞給 multi_gpu_model 的參數）調用 .save(fname) 或 .save_weights(fname) 以進行存儲，而不是通過 multi_gpu_model 返回的模型。
即要用model來保存，而不是parallel_model來保存。
使用ModelCheckpoint() 遇到的問題
使用ModelCheckpoint()會遇到下面的問題：
TypeError: can't pickle ...(different text at different situation) objects
這個問題和保存問題類似，ModelCheckpoint() 會自動調用parallel_model.save()來保存，而不是model.save()，因此我們要自己寫一個召回函數，使得ModelCheckpoint()用model.save()。
修改方法：
class ParallelModelCheckpoint(ModelCheckpoint): def __init__(self,model,filepath, monitor='val_loss', verbose=0, save_best_only=False, save_weights_only=False, mode='auto', period=1): self.single_model = model super(ParallelModelCheckpoint,self).__init__(filepath, monitor, verbose,save_best_only, save_weights_only,mode, period) def set_model(self, model): super(ParallelModelCheckpoint,self).set_model(self.single_model) checkpoint = ParallelModelCheckpoint(original_model)
ParallelModelCheckpoint調用的時候，model應該為原來的model而不是parallel_model。
EarlyStopping 沒有此類問題
二、設備并行
設備并行適用于多分支結構，一個分支用一個gpu。
這種并行方法可以通過使用TensorFlow device scopes實現，下面是一個例子：
# Model where a shared LSTM is used to encode two different sequences in parallel
input_a = keras.Input(shape=(140, 256))
input_b = keras.Input(shape=(140, 256))
shared_lstm = keras.layers.LSTM(64)
# Process the first sequence on one GPU
with tf.device_scope('/gpu:0'):
encoded_a = shared_lstm(tweet_a)
# Process the next sequence on another GPU
with tf.device_scope('/gpu:1'):
encoded_b = shared_lstm(tweet_b)
# Concatenate results on CPU
with tf.device_scope('/cpu:0'):
merged_vector = keras.layers.concatenate([encoded_a, encoded_b],
axis=-1)三、分布式運行
keras的分布式是利用TensorFlow實現的，要想完成分布式的訓練，你需要將Keras注冊在連接一個集群的TensorFlow會話上：
server = tf.train.Server.create_local_server() sess = tf.Session(server.target) from keras import backend as K K.set_session(sess)
以上就是關于keras如何用多gpu并行運行的內容，如果你們有學習到知識或者技能，可以把它分享出去讓更多的人看到。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
