Python 在TensorFlow中使用多个CPU核

我已经广泛研究了TensorFlow的其他答案，但我似乎无法让它在我的CPU上使用多核

根据htop，以下程序仅使用一个CPU内核：

import tensorflow as tf

n_cpus = 20

sess = tf.Session(config=tf.ConfigProto(
    device_count={ "CPU": n_cpus },
    inter_op_parallelism_threads=n_cpus,
    intra_op_parallelism_threads=1,
))

size = 100000

A = tf.ones([size, size], name="A")
B = tf.ones([size, size], name="B")
C = tf.ones([size, size], name="C")

with tf.device("/cpu:0"):
    x = tf.matmul(A, B)
with tf.device("/cpu:1"):
    y = tf.matmul(A, C)

sess.run([x, y])

# run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE)
# run_metadata = tf.RunMetadata()
# sess.run([x, y], options=run_options, run_metadata=run_metadata)

# for device in run_metadata.step_stats.dev_stats:
#     device_name = device.device
#     print(device.device)
#     for node in device.node_stats:
#         print("   ", node.node_name)

但是，当我取消注释底部的行，并更改

大小

，以便在合理的时间内完成计算时，我发现TensorFlow似乎认为它使用了至少两个CPU设备：

/job:localhost/replica:0/task:0/device:CPU:0
    _SOURCE
    MatMul
    _retval_MatMul_0_0
    _retval_MatMul_1_0_1
/job:localhost/replica:0/task:0/device:CPU:1
    _SOURCE
    MatMul_1

基本上，我想在这里做的是在不同的内核上并行执行不同的操作。我不想将一个操作拆分为多个核心，尽管我知道在这个人为的示例中，这恰好是可行的。

device\u count

和

inter\u op\u parallelism\u threads

听起来像我想要的，但两者似乎都不会导致实际使用多核。我尝试了我能想到的所有组合，包括将其中一个设置为

1

，以防它们相互冲突，但似乎没有任何效果

我还可以通过

taskset

确认我没有对我的CPU亲和力做任何奇怪的事情：

$ taskset -p $$
pid 21395's current affinity mask: ffffffffff

为了让代码使用多个CPU核，我必须对代码做些什么

注:

• 我正在设置

  设备计数

  和

  线程间并行度

• 跟踪命令来自
• 我可以删除

  tf.device

  调用，这似乎对我的CPU利用率没有任何影响

---

我使用的是从conda安装的TensorFlow 1.10.0。

在上下反复之后，我们确定问题在于程序正在通过一个恒定的折叠过程进行“优化”，因为输入都是微不足道的。结果表明，这个恒定的折叠过程是按顺序进行的。因此，如果要观察并行执行，方法是使输入不平凡，这样常量折叠就不会应用于它们。本期中建议的方法是使用

tf.placeholder

，我已经编写了一个示例程序，在这里使用了该方法：

---

有关程序的示例输出，请参阅原始版本：

您应该在github上发布此消息，它可能是一个bug，也可能不是，在这种情况下，您仍然有一个观点，因为文档中没有对此进行很好的解释。在github上试用一下。谢谢，我会的。问题已提交到此处：