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

log_device_placement=True

• 設置tf.ConfigProto()中參數log_device_placement = True ,可以獲取到 operations 和 Tensor 被指派到哪個設備(幾號CPU或幾號GPU)上運行,會在終端打印出各項操作是在哪個設備上運行的。

inter_op_parallelism_threads=0

• 設置線程一個操作內部并行運算的線程數，比如矩陣乘法，如果設置為０，則表示以最優的線程數處理

intra_op_parallelism_threads=0

• 設置多個操作并行運算的線程數，比如 c = a + b，d = e + f . 可以并行運算

allow_soft_placement=True

• 在tf中，通過命令 “with tf.device(’/cpu:0’):”,允許手動設置操作運行的設備。如果手動設置的設備不存在或者不可用，就會導致tf程序等待或異常，為了防止這種情況，可以設置tf.ConfigProto()中參數allow_soft_placement=True，允許tf自動選擇一個存在并且可用的設備來運行操作。

另外：

限制GPU資源使用：

為了加快運行效率，TensorFlow在初始化時會嘗試分配所有可用的GPU顯存資源給自己，這在多人使用的服務器上工作就會導致GPU占用，別人無法使用GPU工作的情況。

tf提供了兩種控制GPU資源使用的方法，一是讓TensorFlow在運行過程中動態申請顯存，需要多少就申請多少;第二種方式就是限制GPU的使用率。

一、動態申請顯存

config = tf.ConfigProto() config.gpu_options.allow_growth = True session = tf.Session(config=config)

二、限制GPU使用率

config = tf.ConfigProto() config.gpu_options.per_process_gpu_memory_fraction = 0.4 #占用40%顯存 session = tf.Session(config=config)

或者：

gpu_options=tf.GPUOptions(per_process_gpu_memory_fraction=0.4) config=tf.ConfigProto(gpu_options=gpu_options) session = tf.Session(config=config)

設置使用哪塊GPU

方法一、在python程序中設置：

os.environ['CUDA_VISIBLE_DEVICES'] = '0' #使用 GPU 0 os.environ['CUDA_VISIBLE_DEVICES'] = '0,1' # 使用 GPU 0，1

方法二、在執行python程序時候：

CUDA_VISIBLE_DEVICES=0,1 python yourcode.py

推薦使用更靈活一點的第二種方法。

參考文章：Tensorflow中tf.ConfigProto()詳解

總結

以上是生活随笔為你收集整理的tensorflow tf.ConfigProto() （配置tf.Session的运算方式）（allow_soft_placement、inter_op_parallelism_threads等）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。