【tensorflow】tf.ConfigProto和tf.GPUOptions

tf.ConfigProto一般用在创建session的时候，用来对session进行参数配置，而tf.GPUOptions可以作为设置tf.ConfigProto时的一个参数选项，一般用于限制GPU资源的使用。

 

一、tf.ConfigProto
tf.ConfigProto一般用在创建session的时候，用来对session进行参数配置。

1.1 tf.ConfigProto()的参数

log_device_placement=True : 是否打印设备分配日志
allow_soft_placement=True ： 如果你指定的设备不存在，允许TF自动分配设备

1.2 tf.ConfigProto()使用参数的两种方法
（1）第一种是在构造config对象时直接赋值，如下：

tf.ConfigProto(log_device_placement=True,allow_soft_placement=True)

（2）第二种是先构造config对象，再对构造的config对象进行赋值，如下：

config = tf.ConfigProto()
config.log_device_placement= True
config.allow_soft_placement=True

tf.ConfigProto()含有的部分参数（属性与方法，可使用dir(tf.ConfigProto())进行查看）

1.3 让参数设置生效的方法

session = tf.Session(config=config)

 

二、使用tf.GPUOptions限制GPU资源的使用

tf.GPUOptions可以作为设置tf.ConfigProto时的一个参数选项，一般用于限制GPU资源的使用。同样有两种方法实现。

为了加快运行效率，TensorFlow在初始化时会尝试分配所有可用的GPU显存资源给自己，这在多人使用的服务器上工作就会导致GPU占用，别人无法使用GPU工作的情况。

tf提供了两种控制GPU资源使用的方法，一是让TensorFlow在运行过程中动态申请显存，需要多少就申请多少;第二种方式就是限制GPU的使用率。

 

2.1 动态申请显存

使用allow_growth=True，刚一开始分配少量的GPU容量，然后按需慢慢的增加，由于不会释放内存，所以会导致碎片

方法一：

config = tf.ConfigProto()
config.gpu_options.allow_growth = True
session = tf.Session(config=config)

方法二：

gpu_options=tf.GPUOptions(allow_growth = True)
config=tf.ConfigProto(gpu_options=gpu_options)
session = tf.Session(config=config)

 

2.2 限制GPU的使用率

方法一：

config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.85 #占用85%显存
session = tf.Session(config=config)

方法二：

gpu_options=tf.GPUOptions(per_process_gpu_memory_fraction=0.85)
config=tf.ConfigProto(gpu_options=gpu_options)
session = tf.Session(config=config)

方法三：

gpu_options=tf.GPUOptions(allow_growth = False) # 设为false，占用全部显存，避免碎片提高效率
config=tf.ConfigProto(gpu_options=gpu_options)
session = tf.Session(config=config)

 

【注意】当限制GPU使用率时，GPU所占的显存是一直占着的，需要手动kill进程。

 

 

参考：

https://blog.csdn.net/dcrmg/article/details/79091941

https://blog.csdn.net/C_chuxin/article/details/84990176