1

我正在使用 TensorFlow-Slim。我的目标是在多 GPU 模式下运行给定的标准脚本（位于 /models/slim/scripts）。我已经测试了finetune_resnet_v1_50_on_flowers.sh 脚本（克隆于 2017 年 4 月 12 日）。我刚刚在培训部分的末尾添加了 --num_clones=2 （灵感来自 /slim/deployment/model_deploy_test.py 和以前的 StackOverflow 答案）：

python train_image_classifier.py \
  --train_dir=${TRAIN_DIR} \
  --dataset_name=flowers \
  --dataset_split_name=train \
  --dataset_dir=${DATASET_DIR} \
  --model_name=resnet_v1_50 \
  --checkpoint_path=${PRETRAINED_CHECKPOINT_DIR}/resnet_v1_50.ckpt \
  --checkpoint_exclude_scopes=resnet_v1_50/logits \
  --trainable_scopes=resnet_v1_50/logits \
  --max_number_of_steps=3000 \
  --batch_size=32 \
  --learning_rate=0.01 \
  --save_interval_secs=60 \
  --save_summaries_secs=60 \
  --log_every_n_steps=100 \
  --optimizer=rmsprop \
  --weight_decay=0.00004 \
  --num_clones=2

来自部署/model_deploy_test.py 的代码：

def testMultiGPU(self):
    deploy_config = model_deploy.DeploymentConfig(num_clones=2)

我有一个警告（“忽略设备规范”）：

I tensorflow/core/common_runtime/gpu/gpu_device.cc:975] Creating TensorFlow device (/gpu:0) -> (device: 0, name: Tesla P100-SXM2-16GB, pci bus id: 0000:85:00.0)
I tensorflow/core/common_runtime/gpu/gpu_device.cc:975] Creating TensorFlow device (/gpu:1) -> (device: 1, name: Tesla P100-SXM2-16GB, pci bus id: 0000:86:00.0)
I tensorflow/core/common_runtime/simple_placer.cc:669] Ignoring device specification /GPU:1 for node 'clone_1/fifo_queue_Dequeue' because the input edge from 'prefetch_queue/fifo_queue' is a reference connection and already has a device field set to /CPU:0
I tensorflow/core/common_runtime/simple_placer.cc:669] Ignoring device specification /GPU:0 for node 'clone_0/fifo_queue_Dequeue' because the input edge from 'prefetch_queue/fifo_queue' is a reference connection and already has a device field set to /CPU:0

GPU 运行正常（内存使用和 GPU 利用率），但与单个 GPU 训练相比，训练速度并不快。

此问题可能与：https ://github.com/tensorflow/tensorflow/issues/8061

我很高兴收到您对此问题的回答、意见或具体建议。

CUDA版本：发布8.0、V8.0.53

TensorFlow 从二进制安装，经过测试的版本：1.0.1 和 1.1.0rc

GPU：英伟达 Tesla P100 (SXM2)

4

2 回答 2

2

请遵循此文档 https://github.com/tensorflow/tensorflow/issues/12689 为了确保变量存储在 CPU 中，我们需要使用上下文管理器slim.arg_scope([slim.model_variable, slim.variable], device='/cpu:0'):

它解决了我的问题。

于 2017-11-21T06:07:52.870 回答
1

即使这个答案可能会迟到，训练也不应该更快（以每步的秒数为单位）。而是创建了另一个模型，使用您的参数导致有效批量大小为 64，因此您可以将最大步数减半。

于 2017-05-30T22:42:15.153 回答