Python 2.7 tensorflow slim并行训练和评估回路；单个设备
我对使用tensorflow slim库（tf.contrib.slim）在训练期间定期评估（n）（整个）测试集上的模型性能感兴趣。文档非常清楚，slim.evaluation.evaluation\u循环是一条可行之路，而且看起来很有希望。问题是我没有备用的第二个gpu，这个模型参数占用了整个gpu的内存，我想做并行计算 例如，如果我有2个gpu，我可以在第一个gpu上运行以“slim.learning.train（）”结尾的python脚本，在第二个gpu上运行以“slim.evaluation.evaluation_loop（）”结尾的python脚本Python 2.7 tensorflow slim并行训练和评估回路；单个设备,python-2.7,tensorflow,tensorflow-gpu,tf-slim,Python 2.7,Tensorflow,Tensorflow Gpu,Tf Slim,我对使用tensorflow slim库（tf.contrib.slim）在训练期间定期评估（n）（整个）测试集上的模型性能感兴趣。文档非常清楚，slim.evaluation.evaluation\u循环是一条可行之路，而且看起来很有希望。问题是我没有备用的第二个gpu，这个模型参数占用了整个gpu的内存，我想做并行计算 例如，如果我有2个gpu，我可以在第一个gpu上运行以“slim.learning.train（）”结尾的python脚本，在第二个gpu上运行以“slim.evaluati
是否有一种方法可以为两个任务管理1个gpu的资源？我想到了tf.train.Supervisor，但我真的不知道。您可以使用以下代码划分GPU的使用情况 您可以分别设置用于培训和评估的GPU分数。下面的代码表示该进程拥有30%的内存。
gpu\u选项=tf.gpu选项（每个进程\u gpu\u内存\u分数=0.3000）
sess=tf.Session（config=tf.ConfigProto（gpu_选项=gpu_选项））
sess.run（tf.app.run（））