加载TensorFlow后分叉python进程

tf.Session（）

不是

fork

安全的，这意味着当

TensorFlow

加载到内存中时，分叉进程后系统的行为未知

---

在多个进程之间共享多个设备（在一台机器上）是否有解决方案？

在多个进程之间共享TensorFlow运行时的标准方法是使用，该方法也适用于一台机器

在一个进程中，您可以通过运行以下代码来启动服务器：

import tensorflow as tf
server = tf.train.Server.create_local_server()
print server.target  # for other processes to connect
server.join()

默认情况下，此进程将拥有机器上的所有设备

在其他过程中，您可以创建连接到服务器的

tf.Session

对象：

sess = tf.Session("grpc://localhost:...")  # Use value of `server.target`.

---

这些会话可以像过程中会话一样使用。

谢谢您的回答。但有一个附带的问题：这仍然不适用于python内置的

多处理

库，因为所有进程都是彼此的分支，TF（即cuda）上下文将在它们之间共享？我说的对吗？是的，在创建服务器之前，您必须小心地分叉子进程，因为这就是初始化CUDA驱动程序的原因。再次感谢。创建服务器是指

tf.train.server.create\u local\u server（）

或只是

import tensorflow

初始化CUDA驱动程序？我相信

import tensorflow

只加载驱动程序库，初始化只在第一次

tf.Session（）

创建时发生，但我不能100%确定在这两个点之间进行分岔是否安全。