keras在使用GPU的时候有个特点，就是默认全部占满显存。 这样如果有多个模型都需要使用GPU跑的话，那么限制是很大的，而且对于GPU也是一种浪费。因此在使用keras时需要有意识的设置运行时使用那块显卡，需要使用多少容量。
这方面的设置一般有三种情况：
1. 指定显卡
2. 限制GPU用量
3. 即指定显卡又限制GPU用量
查看GPU使用情况语句（linux）
|
1 2 |
# 1秒钟刷新一次 watch -n 1 nvidia-smi |
一、指定显卡
|
1 2 |
import os os.environ["CUDA_VISIBLE_DEVICES"] = "2" |
这里指定了使用编号为2的GPU，大家可以根据需要和实际情况来指定使用的GPU
二、限制GPU用量
1、设置使用GPU的百分比
|
1 2 3 4 5 6 7 8 9 10 |
import tensorflow as tf import keras.backend.tensorflow_backend as KTF #进行配置，使用30%的GPU config = tf.ConfigProto() config.gpu_options.per_process_gpu_memory_fraction = 0.3 session = tf.Session(config=config) # 设置session KTF.set_session(session ) |
需要注意的是，虽然代码或配置层面设置了对显存占用百分比阈值，但在实际运行中如果达到了这个阈值，程序有需要的话还是会突破这个阈值。换而言之如果跑在一个大数据集上还是会用到更多的显存。以上的显存限制仅仅为了在跑小数据集时避免对显存的浪费而已。
2、GPU按需使用
|
1 2 3 4 5 6 7 8 9 |
import tensorflow as tf import keras.backend.tensorflow_backend as KTF config = tf.ConfigProto() config.gpu_options.allow_growth=True #不全部占满显存, 按需分配 session = tf.Session(config=config) # 设置session KTF.set_session(sess) |
三、指定GPU并且限制GPU用量
这个比较简单，就是讲上面两种情况连上即可。。。
|
1 2 3 4 5 6 7 8 9 10 11 12 |
import os import tensorflow as tf import keras.backend.tensorflow_backend as KTF # 指定第一块GPU可用 os.environ["CUDA_VISIBLE_DEVICES"] = "0" config = tf.ConfigProto() config.gpu_options.allow_growth=True #不全部占满显存, 按需分配 sess = tf.Session(config=config) KTF.set_session(sess) |
原文来自： https://blog.csdn.net/A632189007/article/details/77978058