2

我无法让 Keras 使用 GPU 版本的 Tensorflow 而不是 CPU。每次我导入 keras 时，它都会说：

>>> import keras
Using TensorFlow backend

...这意味着它正在工作，但在 CPU 上，而不是 GPU 上。我安装了 Cuda 和 cuDNN 并使用了这个环境：

conda create -n tensorflow python=3.5 anaconda

我想我首先安装了 tensorflow 的 CPU 版本——我不记得了，因为我整天都在让 cuda 和 cudnn 工作。无论如何，我也安装了 GPU 版本：

pip install --ignore-installed --upgrade \ https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-1.1.0-cp35-cp35m-linux_x86_64.whl

它仍然给出相同的信息。我试图检查以下代码正在使用哪个设备：

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

但我得到这个输出，表明我正在使用设备 0，我的 GPU：

2017-05-12 02:14:10.746679: W 
tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow 
library wasn't compiled to use SSE4.1 instructions, but these are 
available on your machine and could speed up CPU computations.
2017-05-12 02:14:10.746735: W         
tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow 
library wasn't compiled to use SSE4.2 instructions, but these are 
available on your machine and could speed up CPU computations.
2017-05-12 02:14:10.746751: W 
tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow 
library wasn't compiled to use AVX instructions, but these are 
available on your machine and could speed up CPU computations.
2017-05-12 02:14:10.746764: W 
tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow 
library wasn't compiled to use AVX2 instructions, but these are 
available on your machine and could speed up CPU computations.
2017-05-12 02:14:10.746777: W 
tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow 
library wasn't compiled to use FMA instructions, but these are 
available on your machine and could speed up CPU computations.
2017-05-12 02:14:10.926330: I 
tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:901] successful 
NUMA node read from SysFS had negative value (-1), but there must be 
at least one NUMA node, so returning NUMA node zero
2017-05-12 02:14:10.926614: I 
tensorflow/core/common_runtime/gpu/gpu_device.cc:887] Found device 0 
with properties: 
name: GeForce GTX 1060 6GB
major: 6 minor: 1 memoryClockRate (GHz) 1.7845
pciBusID 0000:01:00.0
Total memory: 5.93GiB
Free memory: 5.51GiB
2017-05-12 02:14:10.926626: I 
tensorflow/core/common_runtime/gpu/gpu_device.cc:908] DMA: 0 
2017-05-12 02:14:10.926629: I 
tensorflow/core/common_runtime/gpu/gpu_device.cc:918] 0:   Y 
2017-05-12 02:14:10.926637: I 
tensorflow/core/common_runtime/gpu/gpu_device.cc:977] Creating 
TensorFlow device (/gpu:0) -> (device: 0, name: GeForce GTX 1060 6GB, 
pci bus id: 0000:01:00.0)
Device mapping:
/job:localhost/replica:0/task:0/gpu:0 -> device: 0, name: GeForce GTX 
1060 6GB, pci bus id: 0000:01:00.0
2017-05-12 02:14:10.949871: I 
tensorflow/core/common_runtime/direct_session.cc:257] Device mapping:
/job:localhost/replica:0/task:0/gpu:0 -> device: 0, name: GeForce GTX 
1060 6GB, pci bus id: 0000:01:00.0

我真的无事可做。我唯一剩下的就是卸载 anaconda 并重新安装所有东西，我真的不想这样做，因为我真的花了一整天时间让它与 keras 和所有东西一起工作（只是还没有使用 GPU）

4

3 回答 3

1

首先，您必须确保 tensorflow 确实检测到了您的 CPU 和 GPU。您可以使用以下代码进行检查。

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

如果它只列出 CPU 而不是 GPU，可能是因为你没有相同的 tensorflow 和 tensorflow-gpu 版本（因为升级）。您可以通过使用检查版本（如果您使用 pip）

pip list

如果它们不相同，则必须先卸载不兼容的 tensorflow 或 tensorflow-gpu 版本，然后再安装与您的 CUDA 和 CUDNN 版本兼容的 tensorflow 和 tensorflow-gpu 版本。

比如我使用的是CUDA 8.0和CUDNN 5.1.10，所以兼容的tensorflow和tensorflow-gpu版本是1.2版本。

使用 pip 卸载：

pip uninstall tensorflow
pip uninstall tensorflow-gpu

使用 pip 安装：

pip install tensorflow==1.2 
pip install tensorflow-gpu==1.2

然后你只需要检查 tensorflow 是否再次检测到你的 CPU 和 GPU。如果是这样，那么您只需要运行代码，如果您使用的是 keras，它将自动选择在 GPU 中运行计算。

这是tensorflow.org 发布的经过测试的兼容组合的链接，这里是与此相关的另一个问题的链接。

于 2018-10-22T23:32:32.953 回答
1

有可能是使用默认选项安装 keras 将安装 tensorflow 的 CPU 版本。您可以卸载该版本，然后运行...

pip install --upgrade --no-deps keras

https://github.com/fchollet/keras/issues/5766

于 2017-05-12T01:04:09.853 回答
0

你已经试过了pip install tensorflow吗？这将安装 cpu 版本，同时pip install tensorflow-gpu将安装 gpu 版本。https://www.tensorflow.org/install/

于 2017-08-10T06:59:21.103 回答