TF之Windows：Windows系統下設置Tensorflow運行方式為GPU加速運行的詳細攻略

?

?

?

目錄

軟件環境

1、第一步安裝好CUDA軟件程序

2、第二步安裝好tensorflow-gpu庫

GPU加速環境設置

T1、py文件內頭部設定

T2、運行終端內設定

2、如果只使用GPU運行

測試是否為GPU加速

查看電腦GPU運行情況

T1、利用自帶的資源管理器查看，有兩塊GPU

---

?

?

?

?

?

?

?

軟件環境

1、第一步安裝好CUDA軟件程序

推薦文章：
Py之TF/Cuda/Cudnn：Win10下安裝深度學習框架Tensorflow+Cuda+Cudnn最簡單最快捷最詳細攻略
Ubuntu：Ubuntu下安裝Anocuda和Tensorflow最詳細攻略
?

2、第二步安裝好tensorflow-gpu庫

推薦文章：
TensorFlow：深度學習框架TensorFlow的簡介、安裝、使用方法詳細攻略
?

GPU加速環境設置

1、在配置好GPU環境的TensorFlow中，如果操作沒有明確地指定運行設備，那么TensorFlow會優先選擇GPU。如果電腦有多個GPU，tensorflow默認全部使用。如果想只使用部分GPU，可以設置CUDA_VISIBLE_DEVICES。
2、TensorFlow程序可以通過tf.device函數來指定運行每一個操作的設備，這個設備可以是本地的CPU或者GPU，也可以是某一臺遠程的服務器。
3、在默認情況下，TensorFlow只會將運算優先放到/gpu:0上。通過以下程序測試，所有的運算都被放在了/gpu:0上。如果需要將某些運算放到不同的GPU或者CPU上，就需要通過tf.device來手工指定。以下程序給出了一個通過tf.device手工指定運行設備的樣例。
4、TensorFlow在生成會話時可以指定allow_soft_placement參數。當allow_soft_placement參數設置為True時，如果運算無法由GPU執行，那么TensorFlow會自動將它放到CPU上執行。

?

T1、py文件內頭部設定

#1、指定GPU環境 import os print(os.environ['CUDA_VISIBLE_DEVICES'])#2、指定在第2塊GPU上運行 import os os.environ['CUDA_VISIBLE_DEVICES']='2'

?

T2、運行終端內設定

#使用第0塊、第1塊GPU運行 CUDA_VISIBLE_DEVICES=0,1 python train.py #想指定幾塊GPU就標明GPU序號即可，中間用逗號隔開

?

2、如果只使用GPU運行

with tf.device("/cpu:0"):

?

?

?

測試是否為GPU加速

1、通過log_device_placement參數來輸出運行每一個運算的設備

import tensorflow as tfa = tf.constant([1.0, 2.0, 3.0], shape=[3], name='a') b = tf.constant([1.0, 2.0, 3.0], shape=[3], name='b') c = a + b # 通過log_device_placement參數來輸出運行每一個運算的設備。 sess = tf.Session(config=tf.ConfigProto(log_device_placement=True)) print (sess.run(c))

?

?

?

查看電腦GPU運行情況

T1、利用自帶的資源管理器查看，有兩塊GPU

?

?

?

?

?

?

總結

以上是生活随笔為你收集整理的TF之Windows：Windows系统下设置Tensorflow运行方式为GPU加速运行的详细攻略的全部內容，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。