Jak uruchomić Tensorflow na CPU

Zainstalowałem wersję tensorflow dla GPU na Ubuntu 14.04.

Jestem na serwerze GPU, na którym tensorflow może uzyskać dostęp do dostępnych procesorów graficznych.

Chcę uruchomić tensorflow na procesorach.

Zwykle mogę używać env CUDA_VISIBLE_DEVICES=0do uruchamiania na GPU nr. 0.

Jak zamiast tego mogę wybrać między procesorami?

Nie jestem zainteresowany przepisywaniem mojego kodu with tf.device("/cpu:0"):

Możesz zastosować device_countparametr do tf.Session:

config = tf.ConfigProto(
        device_count = {'GPU': 0}
    )
sess = tf.Session(config=config)

Zobacz też plik konfiguracyjny protobuf:

tensorflow/core/framework/config.proto

Możesz również ustawić zmienną środowiskową na

CUDA_VISIBLE_DEVICES=""

bez konieczności modyfikowania kodu źródłowego.

Jeśli powyższe odpowiedzi nie działają, spróbuj:

os.environ['CUDA_VISIBLE_DEVICES'] = '-1'

U mnie działa tylko ustawienie CUDA_VISIBLE_DEVICESna precyzyjne -1:

Pracuje:

import os
import tensorflow as tf

os.environ['CUDA_VISIBLE_DEVICES'] = '-1'

if tf.test.gpu_device_name():
    print('GPU found')
else:
    print("No GPU found")

# No GPU found

Czy nie działa:

import os
import tensorflow as tf

os.environ['CUDA_VISIBLE_DEVICES'] = ''    

if tf.test.gpu_device_name():
    print('GPU found')
else:
    print("No GPU found")

# GPU found

Używając tylko poniższego kodu.

import os
os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"
os.environ['CUDA_VISIBLE_DEVICES'] = '-1'

W niektórych systemach należy określić:

import os
os.environ["CUDA_DEVICE_ORDER"]="PCI_BUS_ID"
os.environ["CUDA_VISIBLE_DEVICES"]=""  # or even "-1"

PRZED zaimportowaniem tensorflow.

Możesz użyć tf.config.set_visible_devices. Jedną z możliwych funkcji, która pozwala ustawić, czy i które GPU mają być używane, to:

import tensorflow as tf

def set_gpu(gpu_ids_list):
    gpus = tf.config.list_physical_devices('GPU')
    if gpus:
        try:
            gpus_used = [gpus[i] for i in gpu_ids_list]
            tf.config.set_visible_devices(gpus_used, 'GPU')
            logical_gpus = tf.config.experimental.list_logical_devices('GPU')
            print(len(gpus), "Physical GPUs,", len(logical_gpus), "Logical GPU")
        except RuntimeError as e:
            # Visible devices must be set before GPUs have been initialized
            print(e)

Załóżmy, że pracujesz w systemie z 4 procesorami graficznymi i chcesz używać tylko dwóch procesorów graficznych, jednego z id = 0i tego z id = 2, a pierwsze polecenie kodu, natychmiast po zaimportowaniu bibliotek, brzmiałoby:

set_gpu([0, 2])

W twoim przypadku, aby używać tylko procesora, możesz wywołać funkcję z pustą listą :

set_gpu([])

Aby uzyskać kompletność, jeśli chcesz uniknąć sytuacji, w której inicjalizacja środowiska wykonawczego przydzieli całą pamięć na urządzeniu, możesz użyć tf.config.experimental.set_memory_growth. Wreszcie, funkcja zarządzania urządzeniami do wykorzystania, dynamicznie zajmującymi pamięć GPU, staje się:

import tensorflow as tf

def set_gpu(gpu_ids_list):
    gpus = tf.config.list_physical_devices('GPU')
    if gpus:
        try:
            gpus_used = [gpus[i] for i in gpu_ids_list]
            tf.config.set_visible_devices(gpus_used, 'GPU')
            for gpu in gpus_used:
                tf.config.experimental.set_memory_growth(gpu, True)
            logical_gpus = tf.config.experimental.list_logical_devices('GPU')
            print(len(gpus), "Physical GPUs,", len(logical_gpus), "Logical GPU")
        except RuntimeError as e:
            # Visible devices must be set before GPUs have been initialized
            print(e)

Innym możliwym rozwiązaniem na poziomie instalacji byłoby poszukanie wariantu samego procesora: https://www.tensorflow.org/install/pip#package-location

W moim przypadku daje to teraz:

pip3 install https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow_cpu-2.2.0-cp38-cp38-win_amd64.whl

Po prostu wybierz odpowiednią wersję. Dodatkowe punkty za użycie venv, jak wyjaśniono np. W tej odpowiedzi .