Tensorflow后端的Keras能否被迫随意使用CPU或GPU？
我安装了Tensorflow后端和CUDA的Keras。我有时想按需强迫Keras使用CPU。不用说在虚拟环境中安装单独的仅CPU的Tensorflow就能做到吗？如果可以，怎么办？如果后端是Theano，则可以设置标志，但是我还没有听说过可以通过Keras访问Tensorflow标志。
问题答案：
如果要强制Keras使用CPU
方式1
import os
os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID" # see issue #152
os.environ["CUDA_VISIBLE_DEVICES"] = ""
在导入Keras / Tensorflow之前。
方式二
运行脚本为
$ CUDA_VISIBLE_DEVICES="" ./your_keras_code.py
也可以看看
- https://github.com/keras-team/keras/issues/152
- https://github.com/fchollet/keras/issues/4613
-
问题内容： 我使用keras版本2.0.0和tensorflow版本0.12.1构建了docker 镜像的gpu版本https://github.com/floydhub/dl- docker 。然后，我运行了mnist教程https://github.com/fchollet/keras/blob/master/examples/mnist_cnn.py，但意识到keras没有使用GPU。以下是
-
我已经在纸质空间云架构体系上创建了虚拟笔记本，后端有Tensorflow GPU P5000虚拟实例。当我开始训练我的网络时，它比我的MacBook Pro用纯CPU运行时引擎慢2倍。如何确保Keras NN在训练过程中使用GPU而不是CPU？ 请在下面找到我的代码：
-
我知道在安装tensorflow时，您可以安装GPU或CPU版本。如何检查安装了哪一个（我使用linux）。 如果安装了GPU版本，如果GPU不可用，它会自动在CPU上运行吗？如果GPU可用，是否需要设置特定的字段或值来确保它在GPU上运行？
-
Keras是紧凑，易于学习的高级Python库，运行在TensorFlow框架之上。它的重点是理解深度学习技术，例如为神经网络创建维护形状和数学细节概念的层。freamework的创建可以是以下两种类型 - 顺序API 功能API 在Keras中创建深度学习模型有以下 8 个步骤 - 加载数据 预处理加载的数据 模型的定义 编译模型 指定模型 评估模型 进行必要的预测 保存模型 下面将使用Jupy
-
问题内容： 运行keras脚本时，得到以下输出： 这是什么意思？我是否正在使用GPU或CPU版本的Tensorflow？ 在安装keras之前，我正在使用Tensorflow的GPU版本。 还显示和没有什么像。 运行[此stackoverflow问题]中提到的命令，将得到以下信息： 问题答案： 您正在使用GPU版本。您可以列出可用的tensorflow设备（也请检查此问题）： 编辑： 使用tens
-
请注意，CPU没有被利用，任务管理器上的任何其他内容都表明任何东西都没有被充分利用。我没有以太网连接，并且连接到Wifi（我不认为这会影响任何事情，但我不确定Jupyter是否会影响Wifi，因为它是通过web浏览器运行的）。我正在培训大量数据（~128GB），这些数据都加载到RAM（512GB）中。我运行的模型是一个完全卷积的神经网络（基本上是一个U型网络结构），具有566290个可训练参数。到