TF2模型：如何在GPU上运行训练，以及在CPU上的评估
我在GPU（Nvidia 3070）上运行TF2模型的训练阶段（基于TF2 models Zoo中的对象检测预训练模型）。有没有办法在CPU上定义评估阶段（针对培训创建的检查点）？
>
因为训练阶段分配了GPU的几乎所有内存，我不能在GPU上运行它们（训练和评估）。
操作系统-Ubuntu 20.04
GPU-Nvidia 3070（驱动程序460）
TF-2.4。1.
Python-3.8。5.
谢谢你。
共有1个答案
在我的情况下，解决方案是进入评估函数定义：
操作系统。环境['CUDA\u可见设备']='-1'
-
问题内容： 我正在运行Keras模型，提交截止日期为36小时，如果我在cpu上训练我的模型大约需要50个小时，是否可以在gpu上运行Keras？ 我正在使用Tensorflow后端，并在未安装anaconda的Jupyter笔记本上运行它。 问题答案： 是的，您可以在GPU上运行keras模型。几件事您将必须首先检查。 您的系统具有GPU（Nvidia。因为AMD尚未运行） 您已经安装了Tenso
-
我正在运行一个Keras模型，提交截止日期为36小时，如果我在cpu上训练我的模型，大约需要50小时，有没有办法在gpu上运行Keras？ 我正在使用Tensorflow后端并在我的Jupyter笔记本上运行它，而没有安装anaconda。
-
什么JVM在CPU+GPU上运行？ 我知道像Oracle、Zulu、OpenJDK这样的JVM，但没有一个是为了将处理卸载到GPU上而设计的。
-
错误为： 谁能帮帮我吗？
-
我已经在Ubuntu 14.04上安装了tensorflow的GPU版本。 我在一个GPU服务器上，在那里Tenorflow可以访问可用的GPU。 我想在CPU上运行tenorflow。 通常我可以使用env CUDA\u VISIBLE\u DEVICES=0在0号GPU上运行。 如何在CPU之间进行选择？ 我对用tf重写代码不感兴趣。设备（“/cpu:0”）：
-
本文向大家介绍Tensorflow实现在训练好的模型上进行测试，包括了Tensorflow实现在训练好的模型上进行测试的使用技巧和注意事项，需要的朋友参考一下 Tensorflow可以使用训练好的模型对新的数据进行测试，有两种方法：第一种方法是调用模型和训练在同一个py文件中，中情况比较简单；第二种是训练过程和调用模型过程分别在两个py文件中。本文将讲解第二种方法。 模型的保存 tensorflo
-
我从Tensorflow Hub重新训练了一个mobilenet-v1图像分类模型，并使用toco对其进行转换，以便使用Tensorflow Lite进行推断。 但是，当我使用tflite模型运行推断时，它需要与我使用指定的输入大小不同的输入大小。 我如何在自己的数据上重新训练一个mobilenetv1量化模型？ 下面是我尝试的步骤： > 从tensorflow for poets Codelab
-
-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------