Python 确认TF2在培训时正在使用我的GPU

我想知道在我按照TF教程中的建议将训练数据存储在GPU上之后，是否有办法确认我的TF模型正在GPU上训练。下面是一个简短的代码示例：

将tensorflow导入为tf
打印（'Num GPU Available:'，len（tf.config.experimental.list_物理_设备（'GPU'））
#在GPU上加载数据
使用tf.device（'/GPU:0'）：
mnist=tf.keras.datasets.mnist
（x_列，y_列），（x_测试，y_测试）=列表负载数据（）
x_系列，x_测试=x_系列/255.0，x_测试/255.0
#定义、编译和培训模型
model=tf.keras.models.Sequential（[tf.keras.layers.density（1）]）
compile（优化器='adam'，loss='sparse\u categorical\u crossentropy'，metrics=['acc']）
模型拟合（x\U序列，y\U序列，批量大小=32，历次=5）

有几种方法可以检查Tensorflow 2.x中的GPU。基本上，如果GPU可用，则模型将在其上运行（除非它正忙，例如，另一个锁定它的TF实例）。放置位置也将显示在日志文件中，并可通过nvidia smi等确认

在下面的代码中，我将假定

tensorflow

作为

tf

导入（根据惯例和您的代码）

要检查哪些设备可用，请运行：

tf.config.experimental.list\u物理设备（）

以下是我的输出：

[物理设备（名称='/物理设备：CPU:0'，设备类型='CPU'）， 物理设备（名称='/物理设备：XLA\U CPU:0'， device_type='XLA_CPU'），PhysicalDevice（名称='/physical_device:GPU:0'， device_type='GPU'），PhysicalDevice（名称='/physical_设备：XLA_GPU:0'， 设备\u type='XLA\u GPU'）]

要检查系统上是否有GPU，请执行以下操作：

is_gpu=len（tf.config.experimental.list_物理设备（'gpu'））>0

从Tensorflow 2.1中，此功能已从实验迁移而来，您可以以相同的方式使用：

tf.config.list\u physical\u devices（）

，即

is_gpu=len（tf.config.list_物理设备（'gpu'））>0

在某个时候，实验部分将被弃用

最后但并非最不重要的一点是，如果tensorflow是在没有CUDA的情况下构建的（这是一个非GPU版本），

列出物理设备（“GPU”）

也将返回

False

，即使您的系统物理上有GPU

“一旦TF识别出gpu，它是自动的吗？” 对。以下引述：

注意：使用tf.config.experimental.list_物理设备（'GPU'）来 确认TensorFlow正在使用GPU

如果得到认可，将在培训期间使用。如果您想完全确定，可以要求更明确的日志记录：

tf.debug.set\u log\u device\u placement（True）

有一种更简单的方法来实现这一点：

import tensorflow as tf
if tf.test.gpu_device_name():
    print('Default GPU Device: {}'.format(tf.test.gpu_device_name()))
else:
    print(""Please install GPU version of TF"")

（或）

（或）

TF中几乎没有有用的功能：

告知gpu是否可用

tf.test.is_gpu_available()

返回gpu设备的名称“

---

您可以随时运行nvidia smi或类似的命令行工具查看感谢，但如何确保培训使用的是gpu？gpu被识别后是否自动执行？@Gepeto97简短回答是“是”“。在编辑的文本的最后一节中有更详细的说明。发件人：

tf.test.is\u gpu\u可用吗？

：警告：此函数已弃用。它将在将来的版本中删除。更新说明：改用tf.config.list_物理_设备（'GPU'）。另外，tf.Session仅在TF1中。

tf.test.is_gpu_available()

tf.test.gpu_device_name()