02_02Session中Config的参数设置

import tensorflow as tf
import numpy as np

# todo 学习 Session中的参数Config=tf.ConfigProto()的使用。重点是GPU相关的参数


def config_params():
    # todo 第二种执行会话的方式
    with tf.Graph().as_default():
        # 一、构建模型图
        print('当前模型的默认图是:{}'.format(tf.get_default_graph()))
        # 1、定义2个原始的输入的tensor对象
        a = tf.constant(
            value=[1,2,3,4,5,6,3,4,3,45,5], dtype=tf.float32, shape=[3, 5], name='a'
        )
        b = tf.constant(
            value=[3,3,3,3,3,3234,56,324,3,5], dtype=tf.float32, shape=[5, 3]
        )

        # 2、用op add对上述两个常量分别加一个随机数
        v1 = a + np.random.random_sample()
        v2 = tf.add(b, tf.random_normal(shape=[], dtype=tf.float32, seed=43))

        # 3、使用2个tensor矩阵相乘。
        rezult = tf.matmul(v1, v2)
        print(a, b, v1, v2, rezult)

        # 二、构建会话
        """
        tf.Session(
            target='',       给定连接的url，只有分布式运行的时候需要给定 
            graph=None,      调用哪张图，如果不给定，就调用默认图
            config=None)     会话的配置协议。
        """
        optimizer = tf.OptimizerOptions(
            do_common_subexpression_elimination=True,   # 表示开启公共执行子句的优化
            do_constant_folding=True,    # 设置为True表示开启常数折叠优化。
            opt_level=0        # 设置为0表示开启上述2项优化，默认为0
        )
        graph_options = tf.GraphOptions(optimizer_options=optimizer)
        with tf.Session(config=tf.ConfigProto(graph_options=graph_options)) as sess:
            print(sess.run([rezult, v2]))


def config_params1():
    # todo 这里增加了使用tf.device指定运算 或者创建变量的设备。
    with tf.Graph().as_default():
        # 一、构建模型图
        print('当前模型的默认图是:{}'.format(tf.get_default_graph()))
        # 1、定义2个原始的输入的tensor对象
        with tf.device('/GPU:0'):
            # a 和 b 两个常量会在gpu:0 上进行创建。
            a = tf.constant(
                value=[1,2,3,4,5,6,3,4,3,45,5], dtype=tf.float32, shape=[3, 5], name='a'
            )
            b = tf.constant(
                value=[3,3,3,3,3,3234,56,324,3,5], dtype=tf.float32, shape=[5, 3]
            )

        # 2、用op add对上述两个常量分别加一个随机数
        v1 = a + np.random.random_sample()
        v2 = tf.add(b, tf.random_normal(shape=[], dtype=tf.float32, seed=43))

        # 3、使用2个tensor矩阵相乘。
        with tf.device('/GPU:1'):
            rezult = tf.matmul(v1, v2)
        print(a, b, v1, v2, rezult)

        # 二、构建会话
        """
        tf.Session(
            target='',       给定连接的url，只有分布式运行的时候需要给定 
            graph=None,      调用哪张图，如果不给定，就调用默认图
            config=None)     会话的配置协议。
        """
        with tf.Session(config=tf.ConfigProto(log_device_placement=True,
                                              allow_soft_placement=True)) as sess:
            print(sess.run([rezult, v2]))


def config_params2():
    # todo 学习gpu相关的参数。
    with tf.Graph().as_default():
        # 一、构建模型图
        print('当前模型的默认图是:{}'.format(tf.get_default_graph()))
        # 1、定义2个原始的输入的tensor对象
        with tf.device('/GPU:0'):
            # a 和 b 两个常量会在gpu:0 上进行创建。
            a = tf.constant(
                value=[1,2,3,4,5,6,3,4,3,45,5], dtype=tf.float32, shape=[3, 5], name='a'
            )
            b = tf.constant(
                value=[3,3,3,3,3,3234,56,324,3,5], dtype=tf.float32, shape=[5, 3]
            )

        # 2、用op add对上述两个常量分别加一个随机数
        v1 = a + np.random.random_sample()
        v2 = tf.add(b, tf.random_normal(shape=[], dtype=tf.float32, seed=43))

        # 3、使用2个tensor矩阵相乘。
        with tf.device('/GPU:1'):
            rezult = tf.matmul(v1, v2)
        print(a, b, v1, v2, rezult)

        # 二、构建会话
        """
        gpu_options相关参数介绍
           log_device_placement  bool值  是否打印设备位置的日志文件
           allow_soft_placement  bool值  是否允许tf动态的使用cpu和gpu 默认为False
        """
        gpu_options = tf.GraphOptions(
            allow_growth=True,         # 不预先分配使用整个gpu内存计算，而是从小到大按需增长
            per_process_gpu_memory_fraction=0.8   # 值介于（0，1），限制使用该gpu设备内存的百分比。
        )
        with tf.Session(config=tf.ConfigProto(log_device_placement=True,
                                              allow_soft_placement=True,
                                              gpu_options=gpu_options)) as sess:
            print(sess.run([rezult, v2]))


if __name__ == '__main__':
    config_params1()