Tensorflow 如何在CPU和GPU上同时运行Keras？

我正在训练一个由CNN和RNN组成的模型，该模型具有不同的输入，其输出将反馈给FCN。现在的问题是：

我可以在CPU上并行运行CNN和在GPU上并行运行RNN吗

与Tensorflow一样：

with tf.device('/cpu:0'):
    CNN...
with tf.device('/gpu:0'):
    RNN...

---

你可以完全使用你发布的代码

选择设备，定义图层，选择其他设备，定义其他图层：

现在，最好的性能可能会使用相反的方法：

with tf.device('/gpu:0'):
    CNNKerasLayers....
with tf.device('/cpu:0'):
    RNNKerasLayers....

---

现在，我不确定keras将如何处理这个问题（有效地并行或不并行），但它很可能只是让tensorflow来解决它

您可以完全使用您发布的代码

选择设备，定义图层，选择其他设备，定义其他图层：

现在，最好的性能可能会使用相反的方法：

with tf.device('/gpu:0'):
    CNNKerasLayers....
with tf.device('/cpu:0'):
    RNNKerasLayers....

---

现在，我不确定keras将如何处理这个问题（有效地并行或不并行），但它很可能只是让tensorflow来解决它

我不知道RNN在CPU上是否更快。我有一个相对简单的RNN，有500个神经元和大约2700万个数据点。在GTX 1050 Ti上运行50个时代都需要时间。再说一次，CNN也很重。GPU中的RNN完全不好。现在GPU上的CNN很棒。您可以单独使用CPU和GPU测试RNN以进行确认。（有更新版本的RNN，比如

CuDNNGRU

和

CuDNNLSTM

，在GPU上可能更快）。嗯，很有趣。但愿我在开始研究之前就知道。谢谢你！我不知道RNN在CPU上是否更快。我有一个相对简单的RNN，有500个神经元和大约2700万个数据点。在GTX 1050 Ti上运行50个时代都需要时间。再说一次，CNN也很重。GPU中的RNN完全不好。现在GPU上的CNN很棒。您可以单独使用CPU和GPU测试RNN以进行确认。（有更新版本的RNN，比如

CuDNNGRU

和

CuDNNLSTM

，在GPU上可能更快）。嗯，很有趣。但愿我在开始研究之前就知道。谢谢你！