如何检查keras是否使用了gpu版本的张量流？

Question

当我运行keras脚本时，我得到以下输出：

使用TensorFlow后端。2017年6月14日17:40:44.621761:Wtensorflow/core/platform/cpu_feature_guard.cc:45]tensorflow库并没有编译为使用SSE4.1指令，但这些是可以在您的机器上使用，并且可以加快CPU计算。2017年6月14日17:40:44.621783:Wtensorflow/core/platform/cpu_feature_guard.cc:45]tensorflow库并没有编译为使用SSE4.2指令，但这些指令是可以在您的机器上使用，并且可以加快CPU计算。2017年6月14日17:40:44.621788:Wtensorflow/core/platform/cpu_feature_guard.cc:45]tensorflow库并没有编译成使用AVX指令，但这些是可以在您的机器上使用，并且可以加快CPU计算。2017年6月14日17:40:44.621791:Wtensorflow/core/platform/cpu_feature_guard.cc:45]tensorflow库不是为了使用AVX2指令而编译的，但这些是可以在您的机器上使用，并且可以加快CPU计算。2017年6月14日17:40:44.621795:Wtensorflow/core/platform/cpu_feature_guard.cc:45]tensorflow这个库并不是为了使用FMA指令而编译的，但这些是可用并可以加速CPU计算。2017-06-14 17:40:44.721911:我张量流/流执行器/cuda/cuda_gpu_executor.cc:901]成功从SysFS读取的NUMA节点具有负值（-1），但必须有至少一个NUMA节点，因此返回NUMA节点02017年6月14日17:40:44.722288:Itensorflow/core/common_runtime/gpu/gpu_device.cc:887]找到设备0具有属性：名称：GeForce GTX 850M主：5次：0内存时钟频率（GHz）0.9015pciBusID 0000:0a:00.0总内存：3.95GiB可用内存：3.69GiB2017-06-14 17:40:44.722302:我张量流/core/common_runtime/gpu/gpu_device.cc:908]DMA:02017年6月14日17:40:44.722307:I张量流/core/common_runtime/gpu/gpu_device.cc:918]0:Y2017年6月14日17:40:44.722312:Itensorflow/core/common_runtime/gpu/gpu_device.cc:977]创建TensorFlow设备（/gpu:0）->（设备：0，名称：GeForce GTX 850M，pci总线id:0000:0a:00.0）

这是什么意思？我使用的是GPU还是CPU版本的张量流？

在安装keras之前，我使用的是GPU版本的张量流。

阿尔索sudo pip3列表显示张量流-gpu（1.1.0）而不是像张量流cpu.

运行[this stackoverflow question]中提到的命令，可以得到以下结果：

TensorFlow库未编译为使用SSE4.1指令，但这些在您的机器上可用，可以加快CPU的速度计算。2017年6月14日17:53:31.424793:Wtensorflow/core/platform/cpu_feature_guard.cc:45]tensorflow库并没有编译为使用SSE4.2指令，但这些指令是可以在您的机器上使用，并且可以加快CPU计算。2017年6月14日17:53:31.424803:Wtensorflow/core/platform/cpu_feature_guard.cc:45]tensorflow库并没有编译成使用AVX指令，但这些是可以在您的机器上使用，并且可以加快CPU计算。2017年6月14日17:53:31.424812:Wtensorflow/core/platform/cpu_feature_guard.cc:45]tensorflow这个库并没有编译成使用AVX2指令，但这些是可以在您的机器上使用，并且可以加快CPU计算。2017年6月14日17:53:31.424820:Wtensorflow/core/platform/cpu_feature_guard.cc:45]tensorflow这个库并不是为了使用FMA指令而编译的，但这些是可以在您的机器上使用，并且可以加快CPU计算。2017年6月14日17:53:31.540959：本人张量流/流执行器/cuda/cuda_gpu_executor.cc:901]成功从SysFS读取的NUMA节点具有负值（-1），但必须有至少一个NUMA节点，因此返回NUMA节点02017年6月14日17:53:31.541359：本人tensorflow/core/common_runtime/gpu/gpu_device.cc:887]找到设备0具有属性：名称：GeForce GTX 850M主：5次：0内存时钟频率（GHz）0.9015pciBusID 0000:0a:00.0总内存：3.95GiB可用内存：128.12MiB2017-06-14 17:53:31.541407:我张量流/core/common_runtime/gpu/gpu_device.cc:908]DMA:02017年6月14日17:53:31.541420:I张量流/core/common_runtime/gpu/gpu_device.cc:918]0:Y2017-06-14 17:53:31.541441：本人tensorflow/core/common_runtime/gpu/gpu_device.cc:977]创建TensorFlow设备（/gpu:0）->（设备：0，名称：GeForce GTX 850M，pci总线id:0000:0a:00.0）2017年6月14日17:53:31.547902:Etensorflow/stream_executor/cuda/cuda_driver.cc:893]未能从设备分配128.12M（134348800字节）：库达错误输出内存设备映射：/job:localhost/replica:0/task:0/gpu:0->设备：0，名称：GeForceGTX 850M，pci总线id:0000:0a:00.02017-06-14 17:53:31.549482：本人tensorflow/core/common_runtime/direct_session.cc:257]设备映射：/job:localhost/replica:0/task:0/gpu:0->设备：0，名称：GeForceGTX 850M，pci总线id:0000:0a:00.0

Answer 1

您正在使用GPU版本。您可以使用列出可用的张量流设备（也可以检查这问题）：

从tensorflow.python.client导入设备libprint（device_lib.list_local_devices（））#设备属性列表

编辑：

使用tensorflow>=1.4，您可以运行下列的功能：

导入张量流作为tftf.test.is_gpu_available（）#真/假#或者只检查带有cuda支持的gputf.test.is_gpu_available（cuda_only=真）

编辑2：

上述函数在中已弃用张量流>2.1。相反，您应该使用以下函数：

导入张量流作为tftf.config.list_physical_devices（“GPU”）

---

注意：

在您的情况下，cpu和gpu都可用，如果您使用的是tensorflow的cpu版本，则不会列出gpu。在您的情况下，不设置张量流设备(带tf.设备（“..”）)，tensorflow将自动选择您的gpu！

此外，您的sudo pip3列表清楚地显示了您正在使用tensorflow-gpu。如果您要使用十个最慢的cpu版本，那么名称应该是这样的张量流（1.1.0）.

检查这问题以获取有关警告的信息。

Answer 2

为了让Keras使用GPU，很多事情都必须顺利进行。把这个放在你jupyter笔记本的顶部：

#确认TensorFlow看到GPU从tensorflow.python.client导入设备_lib在str（device_lib.list_local_devices（））中断言“GPU”#确认Keras看到GPU（对于TensorFlow 1.X+Keras）从keras导入后端断言长度（backend.tensorflow_backend._get_available_gpus（））>0#确认PyTorch看到GPU来自火炬进口cuda断言cuda.is_available（）断言cuda.device_count（）>0打印（cuda.get_device_name（cuda.current_device（）））

---

注意：随着TensorFlow 2.0的发布，Keras现在已包含在TF API中。

Answer 3

要找出您的操作和张量分配给了哪些设备，请创建log_device_placement配置选项设置为True的会话。

#创建一个图形。a=tf.常数（[1.0，2.0，3.0，4.0，5.0，6.0]，形状=[2，3]，名称='a'）b=tf.常数（[1.0，2.0，3.0，4.0，5.0，6.0]，形状=[3，2]，名称='b'）c=tf.matmul（a，b）#创建一个将log_device_placement设置为True的会话。sess=tf.Session（config=tf.ConfigProto（log_device_placement=True））#运行操作。打印（sess.run（c））

您应该会看到以下输出：

设备映射：/job:localhost/replica:0/task:0/device:GPU:0->设备：0，名称：特斯拉K40c，pci总线编号：0000:05:00.0b： /job:localhost/replica:0/task:0/device:GPU:0a： /job:localhost/副本：0/任务：0/设备：GPU:0MatMul:/job:localhost/replica:0/task:0/device:GPU:0[[ 22.  28.][ 49.  64.]]

有关更多详细信息，请参阅链接使用带有张量流的GPU