我使用带有张量流的Keras作为后端。 我有一个编译/训练的模型。
我的预测循环很慢所以我想找到一种方法来并行化predict_proba
调用以加快速度。
我想获取批次(数据)列表,然后根据可用的gpu,在这些批次的子集上运行model.predict_proba()
。
基本上:
data = [ batch_0, batch_1, ... , batch_N ]
on gpu_0 => return predict_proba(batch_0)
on gpu_1 => return predict_proba(batch_1)
...
on gpu_N => return predict_proba(batch_N)
我知道纯Tensorflow可以将ops分配给给定的gpu(https://www.tensorflow.org/tutorials/using_gpu)。但是,我不知道这是如何转化为我的情况,因为我使用Keras'建立/编译/训练我的模型。 API。
我原以为我可能只需要使用python的多处理模块,然后按照运行predict_proba(batch_n)
的每个gpu启动一个进程。我知道这在理论上是可能的,因为我的另一个SO帖子:Keras + Tensorflow and Multiprocessing in Python。然而,这仍然让我不知道如何实际选择"一个用于操作该过程的gpu。
我的问题归结为:当使用Tensorflow作为Keras时,如何在Keras中跨多个gpus对一个模型进行并行预测?后端?
此外,我很好奇是否只有一个gpu可以进行类似的预测并行化。
非常感谢高级别的描述或代码示例!
谢谢!
答案 0 :(得分:5)
我创建了一个简单的例子来展示如何跨多个gpus运行keras模型。基本上,创建了多个进程,每个进程都拥有一个gpu。要指定进程中的gpu id,设置env变量CUDA_VISIBLE_DEVICES是一种非常简单的方法(os.environ [" CUDA_VISIBLE_DEVICES"])。希望这个git repo可以帮到你。
https://github.com/yuanyuanli85/Keras-Multiple-Process-Prediction
答案 1 :(得分:1)
您可以使用此功能来并行化Keras模型(归功于kuza55)
https://github.com/kuza55/keras-extras/blob/master/utils/multi_gpu.py
from keras.layers import merge
from keras.layers.core import Lambda
from keras.models import Model
import tensorflow as tf
def make_parallel(model, gpu_count):
def get_slice(data, idx, parts):
shape = tf.shape(data)
size = tf.concat([ shape[:1] // parts, shape[1:] ],axis=0)
stride = tf.concat([ shape[:1] // parts, shape[1:]*0 ],axis=0)
start = stride * idx
return tf.slice(data, start, size)
outputs_all = []
for i in range(len(model.outputs)):
outputs_all.append([])
#Place a copy of the model on each GPU, each getting a slice of the batch
for i in range(gpu_count):
with tf.device('/gpu:%d' % i):
with tf.name_scope('tower_%d' % i) as scope:
inputs = []
#Slice each input into a piece for processing on this GPU
for x in model.inputs:
input_shape = tuple(x.get_shape().as_list())[1:]
slice_n = Lambda(get_slice, output_shape=input_shape, arguments={'idx':i,'parts':gpu_count})(x)
inputs.append(slice_n)
outputs = model(inputs)
if not isinstance(outputs, list):
outputs = [outputs]
#Save all the outputs for merging back together later
for l in range(len(outputs)):
outputs_all[l].append(outputs[l])
# merge outputs on CPU
with tf.device('/cpu:0'):
merged = []
for outputs in outputs_all:
merged.append(merge(outputs, mode='concat', concat_axis=0))
return Model(input=model.inputs, output=merged)