欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

keras 多gpu并行运行案例

程序员文章站 2021-12-29 11:56:13
一、多张gpu的卡上使用keras有多张gpu卡时,推荐使用tensorflow 作为后端。使用多张gpu运行model,可以分为两种情况,一是数据并行,二是设备并行。二、数据并行数据并行将目标模型在...

一、多张gpu的卡上使用keras

有多张gpu卡时,推荐使用tensorflow 作为后端。使用多张gpu运行model,可以分为两种情况,一是数据并行,二是设备并行。

二、数据并行

数据并行将目标模型在多个设备上各复制一份,并使用每个设备上的复制品处理整个数据集的不同部分数据。

利用multi_gpu_model实现

keras.utils.multi_gpu_model(model, gpus=none, cpu_merge=true, cpu_relocation=false)

具体来说,该功能实现了单机多 gpu 数据并行性。 它的工作原理如下:

将模型的输入分成多个子批次。

在每个子批次上应用模型副本。 每个模型副本都在专用 gpu 上执行。

将结果(在 cpu 上)连接成一个大批量。

例如, 如果你的 batch_size 是 64,且你使用 gpus=2, 那么我们将把输入分为两个 32 个样本的子批次, 在 1 个 gpu 上处理 1 个子批次,然后返回完整批次的 64 个处理过的样本。

参数

model: 一个 keras 模型实例。为了避免oom错误,该模型可以建立在 cpu 上, 详见下面的使用样例。

gpus: 整数 >= 2 或整数列表,创建模型副本的 gpu 数量, 或 gpu id 的列表。

cpu_merge: 一个布尔值,用于标识是否强制合并 cpu 范围内的模型权重。

cpu_relocation: 一个布尔值,用来确定是否在 cpu 的范围内创建模型的权重。如果模型没有在任何一个设备范围内定义,您仍然可以通过激活这个选项来拯救它。

返回

一个 keras model 实例,它可以像初始 model 参数一样使用,但它将工作负载分布在多个 gpu 上。

例子

import tensorflow as tf
from keras.applications import xception
from keras.utils import multi_gpu_model
import numpy as np

num_samples = 1000
height = 224
width = 224
num_classes = 1000

# 实例化基础模型(或者「模版」模型)。
# 我们推荐在 cpu 设备范围内做此操作,
# 这样模型的权重就会存储在 cpu 内存中。
# 否则它们会存储在 gpu 上,而完全被共享。
with tf.device('/cpu:0'):
 model = xception(weights=none,
   input_shape=(height, width, 3),
   classes=num_classes)

# 复制模型到 8 个 gpu 上。
# 这假设你的机器有 8 个可用 gpu。
parallel_model = multi_gpu_model(model, gpus=8)
parallel_model.compile(loss='categorical_crossentropy',
   optimizer='rmsprop')

# 生成虚拟数据
x = np.random.random((num_samples, height, width, 3))
y = np.random.random((num_samples, num_classes))

# 这个 `fit` 调用将分布在 8 个 gpu 上。
# 由于 batch size 是 256, 每个 gpu 将处理 32 个样本。
parallel_model.fit(x, y, epochs=20, batch_size=256)

# 通过模版模型存储模型(共享相同权重):
model.save('my_model.h5')

注意:

要保存多 gpu 模型,请通过模板模型(传递给 multi_gpu_model 的参数)调用 .save(fname) 或 .save_weights(fname) 以进行存储,而不是通过 multi_gpu_model 返回的模型。

即要用model来保存,而不是parallel_model来保存。

使用modelcheckpoint() 遇到的问题

使用modelcheckpoint()会遇到下面的问题:

typeerror: can't pickle ...(different text at different situation) objects

这个问题和保存问题类似,modelcheckpoint() 会自动调用parallel_model.save()来保存,而不是model.save(),因此我们要自己写一个召回函数,使得modelcheckpoint()用model.save()。

修改方法:

class parallelmodelcheckpoint(modelcheckpoint):
 def __init__(self,model,filepath, monitor='val_loss', verbose=0,
   save_best_only=false, save_weights_only=false,
   mode='auto', period=1):
 self.single_model = model
 super(parallelmodelcheckpoint,self).__init__(filepath, monitor, verbose,save_best_only, save_weights_only,mode, period)

 def set_model(self, model):
 super(parallelmodelcheckpoint,self).set_model(self.single_model)

checkpoint = parallelmodelcheckpoint(original_model)

parallelmodelcheckpoint调用的时候,model应该为原来的model而不是parallel_model。

earlystopping 没有此类问题

二、设备并行

设备并行适用于多分支结构,一个分支用一个gpu。

这种并行方法可以通过使用tensorflow device scopes实现,下面是一个例子:

# model where a shared lstm is used to encode two different sequences in parallel
input_a = keras.input(shape=(140, 256))
input_b = keras.input(shape=(140, 256))

shared_lstm = keras.layers.lstm(64)

# process the first sequence on one gpu
with tf.device_scope('/gpu:0'):
 encoded_a = shared_lstm(tweet_a)
# process the next sequence on another gpu
with tf.device_scope('/gpu:1'):
 encoded_b = shared_lstm(tweet_b)

# concatenate results on cpu
with tf.device_scope('/cpu:0'):
 merged_vector = keras.layers.concatenate([encoded_a, encoded_b],
      axis=-1)

三、分布式运行

keras的分布式是利用tensorflow实现的,要想完成分布式的训练,你需要将keras注册在连接一个集群的tensorflow会话上:

server = tf.train.server.create_local_server()
sess = tf.session(server.target)

from keras import backend as k
k.set_session(sess)

以上这篇keras 多gpu并行运行案例就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。

相关标签: keras gpu 并行