您如何通过Keras使用多个GPU训练GAN？

Question

存在三个主要挑战：a）您如何save and load the optimizer state，b）如何使用带有嵌套模型的多个GPU，请参见下文，以及c）如何创建工作流程以优化GPU和CPU利用率？

上下文

我们有三个组成部分：

1. 鉴别器
2. 生成器和
3. 同时具有鉴别器和生成器的GAN。

优化器状态

由于鉴别器包含在GAN中，在训练过程中也需要单独使用它们-如何保存和加载GAN？现在，我分别保存了生成器和鉴别器，并针对每个训练集重新编译了GAN，但是这样我就失去了优化器状态。

多个GPU

API的外观如下：

from keras.utils import multi_gpu_model
parallel_model = multi_gpu_model(model, gpus=8)

此处的挑战与优化程序相同。由于鉴别符包含在GAN中，因此您不能将multi_gpu_model应用于鉴别符和GAN。您可以在创建GAN之前将multi_gpu_model添加到鉴别器和生成器，但是根据我的经验，它不能很好地扩展，并且会导致GPU利用率下降。

GPU和CPU利用率

可以使用多重处理对数据进行预处理和排队。由于multi_gpu_model API不支持GAN，因此您需要经常合并权重并在CPU和GPU之间跳跃。因此，我还没有找到一种利用GPU和CPU的干净方法。

Answer 1

multi_gpu_model可以在生成器，鉴别器和gan的每个函数中使用

def create_generator():
  #network architecture 
  generator = Model(inputs=input, outputs=output)
  generator = multi_gpu_model(generator, gpus=2)
  generator.compile()
  return generator

对于鉴别器和gan也可以这样做。