Python 如何在多核上运行Keras？

我在集群上使用Keras和Tensorflow后端（创建神经网络）。我如何在集群上（在多个内核上）以多线程方式运行它，或者这是由Keras自动完成的？例如，在Java中，可以创建几个线程，每个线程运行在一个内核上

---

如果可能，应使用多少个核？

Tensorflow会自动在一台机器上可用的尽可能多的核上运行计算

如果您有分布式群集，请确保按照中的说明配置群集。（例如，正确创建tf.ClusterSpec等）

为了帮助调试，您可以在会话上使用

log\u device\u placement

配置选项，将Tensorflow打印出来，显示实际放置计算的位置。（注意：这适用于GPU和分布式Tensorflow。）

---

请注意，尽管Tensorflow的计算布局算法对小型计算图形效果良好，但通过在特定设备中手动放置计算，您可能能够在大型计算图形上获得更好的性能。（例如，将

与tf.device（…）：

块一起使用。）

对于Tensorflow 1.x，您可以配置Tensorflow的会话，并将此会话用于keras后端：

session_conf = tensorflow.ConfigProto(intra_op_parallelism_threads=8, inter_op_parallelism_threads=8)
tensorflow.set_random_seed(1)
sess = tensorflow.Session(graph=tensorflow.get_default_graph(), config=session_conf)
keras.backend.set_session(sess)

对于Tensorflow 2.x，上面的大多数模块都不推荐使用。例如，您需要调用它们，如

tensorflow.compat.v1.ConfigProto

session_conf = tensorflow.ConfigProto(intra_op_parallelism_threads=8, inter_op_parallelism_threads=8)
tensorflow.set_random_seed(1)
sess = tensorflow.Session(graph=tensorflow.get_default_graph(), config=session_conf)
keras.backend.set_session(sess)