使用keras进行训练，默认使用单显卡，即使设置了os.environ['CUDA_VISIBLE_DEVICES']为两张显卡，也只是占满了显存，再设置tf.GPUOptions(allow_growth=True)之后可以清楚看到，只占用了第一张显卡，第二张显卡完全没用。
要使用多张显卡，需要按如下步骤：
（1）import multi_gpu_model函数：from keras.utils import multi_gpu_model
（2）在定义好model之后，使用multi_gpu_model设置模型由几张显卡训练，如下：
|
1
2
3
|
model=Model(...) #定义模型结构model_parallel=multi_gpu_model(model,gpu=n) #使用几张显卡n等于几model_parallel.compile(...) #注意是model_parallel，不是model |
通过以上代码，model将作为CPU上的原始模型，而model_parallel将作为拷贝模型被复制到各个GPU上进行梯度计算。如果batchsize为128，显卡n=2，则每张显卡单独计算128/2=64张图像，然后在CPU上将两张显卡计算得到的梯度进行融合更新，并对模型权重进行更新后再将新模型拷贝到GPU再次训练。
（3）从上面可以看出，进行训练时，仍然在model_parallel上进行：
model_parallel.fit(...) #注意是model_parallel
（4）保存模型时，model_parallel保存了训练时显卡数量的信息，所以如果直接保存model_parallel的话，只能将模型设置为相同数量的显卡调用，否则训练的模型将不能调用。因此，为了之后的调用方便，只保存CPU上的模型，即model:
model.save(...) #注意是model，不是model_parallel
如果用到了callback函数，则默认保存的也是model_parallel（因为训练函数是针对model_parallel的），所以要用回调函数保存model的话需要自己对回调函数进行定义：
|
1
2
3
4
5
|
class OwnCheckpoint(keras.callbacks.Callback): def __init__(self,model): self.model_to_save=model def on_epoch_end(self,epoch,logs=None): #这里logs必须写 self.model_to_save.save('model_advanced/model_%d.h5' % epoch) |
定以后具体使用如下：
checkpoint=OwnCheckpoint(model)
model_parallel.fit_generator(...,callbacks=[checkpoint])
这样就没问题了！
补充知识：keras.fit_generator及多卡训练记录
1.环境问题
使用keras，以tensorflow为背景，tensorflow1.14多卡训练会出错 python3.6
2.代码
2.1
os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"
os.environ['CUDA_VISIBLE_DEVICES'] = '4,5'
2.2 自定义generator函数
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
def img_image_generator(path_img, path_lab, batch_size, data_list): while True: # 'train_list.csv' file_list = pd.read_csv(data_list, sep=',',usecols=[1]).values.tolist() file_list = [i[0] for i in file_list] cnt = 0 X = [] Y1 = [] for file_i in file_list: x = cv2.imread(path_img+'/'+file_i, cv2.IMREAD_GRAYSCALE) x = x.astype('float32') x /= 255. y = cv2.imread(path_lab+'/'+file_i, cv2.IMREAD_GRAYSCALE) y = y.astype('float32') y /= 255. X.append(x.reshape(256, 256, 1)) Y1.append(y.reshape(256, 256, 1)) cnt += 1 if cnt == batch_size: cnt = 0 yield (np.array(X), [np.array(Y1), np.array(Y1)]) X = [] Y1 = [] |
2.3 函数调用及训练
|
1
2
3
|
generator_train = img_image_generator(path1, path2, 4, pathcsv_train)generator_test= img_image_generator(path1, path2, 4, pathcsv_test)model.fit_generator(generator_train, steps_per_epoch=237*2, epochs=50, callbacks=callbacks_list, validation_data=generator_test, validation_steps=60*2) |
3. 多卡训练
3.1 复制model
model_parallel = multi_gpu_model(model, gpus=2)
3.2 checkpoint 定义
|
1
2
3
4
5
6
7
8
|
class ParallelModelCheckpoint(ModelCheckpoint): def __init__(self, model, filepath, monitor='val_out_final_score', verbose=0,\ save_best_only=False, save_weights_only=False, mode='auto', period=1): self.single_model = model super(ParallelModelCheckpoint, self).__init__(filepath, monitor, verbose, save_best_only, save_weights_only, mode, period) def set_model(self, model): super(ParallelModelCheckpoint, self).set_model(self.single_model) |
使用
model_checkpoint = ParallelModelCheckpoint(model=model, filepath=filepath, monitor='val_loss',verbose=1, save_best_only=True, mode='min')
3.3 注意的问题
保存模型是时候需要使用以原来的模型保存，不能使用model_parallel保存
以上这篇keras多显卡训练方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/u010122972/article/details/84784245
