Puis-je exécuter le modèle Keras sur GPU?

J'utilise un modèle Keras, avec un délai de soumission de 36 heures, si j'entraîne mon modèle sur le processeur, cela prendra environ 50 heures, y a-t-il un moyen d'exécuter Keras sur GPU?

J'utilise le backend Tensorflow et je l'exécute sur mon notebook Jupyter, sans anaconda installé.

Oui, vous pouvez exécuter des modèles keras sur GPU. Peu de choses que vous devrez vérifier en premier.

1. votre système a un GPU (Nvidia. Comme AMD ne fonctionne pas encore)
2. Vous avez installé la version GPU de tensorflow
3. Vous avez installé les instructions d'installation de CUDA
4. Vérifiez que tensorflow fonctionne avec le GPU Vérifiez si le GPU fonctionne

sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))

OU

from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())

la sortie sera quelque chose comme ceci:

[
  name: "/cpu:0"device_type: "CPU",
  name: "/gpu:0"device_type: "GPU"
]

Une fois que tout cela est fait, votre modèle fonctionnera sur GPU:

Pour vérifier si keras (> = 2.1.1) utilise le GPU:

from keras import backend as K
K.tensorflow_backend._get_available_gpus()

Bonne chance.

Sûr. Je suppose que vous avez déjà installé TensorFlow pour GPU.

Vous devez ajouter le bloc suivant après l'importation des keras. Je travaille sur une machine qui a 56 cpu core et un gpu.

import keras
import tensorflow as tf


config = tf.ConfigProto( device_count = {'GPU': 1 , 'CPU': 56} ) 
sess = tf.Session(config=config) 
keras.backend.set_session(sess)

Bien sûr, cette utilisation impose les limites maximales de mes machines. Vous pouvez diminuer les valeurs de consommation du processeur et du processeur graphique.

2.0 Réponse compatible : Bien que la réponse mentionnée ci-dessus explique en détail comment utiliser le GPU sur le modèle Keras, je veux expliquer comment cela peut être fait Tensorflow Version 2.0.

Pour savoir combien de GPU sont disponibles, nous pouvons utiliser le code ci-dessous:

print("Num GPUs Available: ", len(tf.config.experimental.list_physical_devices('GPU')))

Pour savoir à quels appareils vos opérations et tenseurs sont affectés, mettez-le tf.debugging.set_log_device_placement(True)comme première déclaration de votre programme.

L'activation de la journalisation du placement de périphérique entraîne l'impression de toutes les allocations ou opérations Tensor. Par exemple, exécutez le code ci-dessous:

tf.debugging.set_log_device_placement(True)

# Create some tensors
a = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
b = tf.constant([[1.0, 2.0], [3.0, 4.0], [5.0, 6.0]])
c = tf.matmul(a, b)

print(c)

donne la sortie ci-dessous:

Exécution de l'opération MatMul dans device / job: localhost / replica: 0 / task: 0 / device: GPU: 0 tf.Tensor ([[22. 28.] [49. 64.]], shape = (2, 2), dtype = float32)

Pour plus d'informations, reportez - vous à ce lien

Bien sûr. si vous utilisez des backends Tensorflow ou CNTk, votre code s'exécutera par défaut sur vos périphériques GPU, mais si les backends Theano, vous pouvez utiliser

Drapeaux Theano:

"THEANO_FLAGS = périphérique = gpu, floatX = float32 python my_keras_script.py"

Vérifiez si votre script exécute le GPU dans le gestionnaire de tâches. Sinon, pensez que votre version de CUDA est la bonne pour la version de tensorflow que vous utilisez, comme les autres réponses le suggèrent déjà.

De plus, une bibliothèque DNN CUDA appropriée pour la version CUDA est requise pour exécuter le GPU avec tensorflow. Téléchargez / extrayez-le ici et placez la DLL (par exemple, cudnn64_7.dll) dans le dossier bin CUDA (par exemple, C: \ Program Files \ NVIDIA GPU Computing Toolkit \ CUDA \ v10.1 \ bin).