Python Tensorflow：使用GPU的列车Keras模型

我知道，有很多相关的问题，但它们已经过时了，大部分问题甚至是关于TensorFlow 1的

我有1个GPU（GeForce 960），这是TensorFlow认可的，因此安装成功

我不确定这是否是正确的方法，但我就是这样训练Keras模型的：

def create_model():
  model = Sequential()
  model.add(Conv2D(128, (3,3), padding="valid"))
  model.add(layers.BatchNormalization())
  model.add(layers.Activation(activations.relu))
  model.add(MaxPooling2D(pool_size=(2,2)))
  model.add(Dropout(0.2))
  model.add(Flatten())
  model.add(layers.Dense(10, activation="softmax"))
  return model

strategy = tf.distribute.MirroredStrategy(devices=["/gpu:0"])

with strategy.scope():
  model = create_model()
  model.compile(loss="categorical_crossentropy",
                optimizer="adam",
                metrics=["acc"])

train_dataset, test_dataset = get_dataset()

model.fit(train_dataset,
          epochs=20,
          verbose=1,
          validation_data=test_dataset)

但我遇到了很多问题：

当我关闭策略部分时，完全相同的代码同样快

我总是收到这样的“警告”：

BaseCollectiveExecutor:：startPort超出范围：序列结束

我发现，当我在另一个没有GPU支持（CUDA等）的Anaconda环境中运行这段代码时，在策略部分关闭的情况下，它的速度要慢得多。那么，当您处于支持GPU的环境中时，GPU是否会自动使用（因为，如1所述，没有策略部分，GPU的速度同样快）

这是使用我的GPU的正确方法吗？如果没有，正确的方法是什么

---

是的，GPU在支持和可用的情况下会自动使用，不需要策略，但当我在colab使用TPU进行培训时，我确实需要策略。那是另一回事，对吗？有没有办法检查是否使用了GPU？TPU培训与GPU培训完全不同。对于GPU，在任务开始时，tensorflow应该提示如下内容：创建的tensorflow设备（/job:localhost/replica:0/task:0/device:GPU:0，内存为****MB）->物理GPU（设备：0，名称：****，pci总线id:***），您应该看到所有CUDA、CuDNN库都打开了。您还可以使用watch-nvidiasmi命令检查您的GPU使用情况（如果您使用的是nvidia）。