我正在寻找keras(tensorflow后端)中的数据并行性,而不是模型并行性。 我正在对视频文件进行视频分类,因此只能在GPU中适合一批2号。所以,我想知道一种使用多个GPU的方法,以增加我的批量大小,以便更好地进行估算和更快的培训。 你能建议我这样做的有效方法吗?
我正在使用一个12gb TitanX和一个6gb Titan Black。
由于
答案 0 :(得分:4)
这是一种方法:
此方法to_multi_gpu
获得model
(使用Keras 2.0在单个GPU上定义),并返回在多个GPU上复制的相同模型(使用共享参数)。正在对新模型的输入进行均匀切片,并将每个切片传递给其中一个复制模型。所有复制模型的输出最后连接在一起。
from keras import backend as K
from keras.models import Model
from keras.layers import Input
from keras.layers.core import Lambda
from keras.layers.merge import Concatenate
def slice_batch(x, n_gpus, part):
"""
Divide the input batch into [n_gpus] slices, and obtain slice number [part].
i.e. if len(x)=10, then slice_batch(x, 2, 1) will return x[5:].
"""
sh = K.shape(x)
L = sh[0] // n_gpus
if part == n_gpus - 1:
return x[part*L:]
return x[part*L:(part+1)*L]
def to_multi_gpu(model, n_gpus=2):
"""
Given a keras [model], return an equivalent model which parallelizes
the computation over [n_gpus] GPUs.
Each GPU gets a slice of the input batch, applies the model on that slice
and later the outputs of the models are concatenated to a single tensor,
hence the user sees a model that behaves the same as the original.
"""
with tf.device('/cpu:0'):
x = Input(model.input_shape[1:], name=model.input_names[0])
towers = []
for g in range(n_gpus):
with tf.device('/gpu:' + str(g)):
slice_g = Lambda(slice_batch,
lambda shape: shape,
arguments={'n_gpus':n_gpus, 'part':g})(x)
towers.append(model(slice_g))
with tf.device('/cpu:0'):
merged = Concatenate(axis=0)(towers)
return Model(inputs=[x], outputs=[merged])