我有cuda8.0.61，tensorflow_gpu版本和keras。我正在针对224 * 224图像数据训练20层的keras模型 当我在终端中运行nvidia -smi时，我发现内存已用完，计算util的比例降低了。当我尝试拟合模型机时，速度非常慢。
我知道，要使用gpu并在设备之间切换，我应该使用以下代码：
with K.tf.device('/gpu:0'):
tf_config = tf.ConfigProto( allow_soft_placement=True )
tf_config.gpu_options.allow_growth = True
sess = tf.Session(config=tf_config)
keras.backend.set_session(sess)
我是否需要在cpu和gpu之间切换以通过使用诸如以下的块来提高速度 与K.tf.device（'/ gpu：0'）：和 与K.tf.device（'/ cpu：0'）：？
我正在使用numpy数组存储图像。我是否需要使用tf.array或tf.convert_to_tensor？ 这有什么帮助吗？
答案 0 :(得分：2)
如果您的系统上安装了tensorflow GPU，则系统将自动使用GPU进行计算，但是会发生问题，因为GPU并不总是具有执行计算所需的数据，即瓶颈出现在您的计算机上输入管道，仅tf.array和tf.convert_to_tensor不太可能提供帮助，因为它们仅在内存中控制一次数据，您需要的是generators（考虑这是python），生成器是一个函数返回一个我们可以迭代的对象（迭代器）（一次一个值）。
生成器及其迭代器已经在tf.data api https://www.tensorflow.org/guide/datasets的tensorflow中实现，您可以直接使用它们并相应地修改管道。