Question

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

Answer 1

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])

Keras中的数据并行性

1 个答案: