让我们从一个前提开始,即我刚开始接触TensorFlow和一般的深度学习。
我有使用tf.Model.train()
训练的TF 2.0 Keras风格模型,两个可用的GPU,并且我希望缩短推理时间。
我使用非常方便的tf.distribute.MirroredStrategy().scope()
上下文管理器训练了在GPU上分布的模型。
mirrored_strategy = tf.distribute.MirroredStrategy()
with mirrored_strategy.scope():
model.compile(...)
model.train(...)
两个GPU都得到有效使用(即使我对结果的准确性不太满意)。
我似乎无法找到一种类似的策略来通过tf.Model.predict()
方法在GPU之间分配推理:当我运行model.predict()
时,(显然)只有两个GPU之一可以使用。 / p>
是否有可能在两个GPU上建立相同的模型并并行地向它们提供不同的数据块?
有些帖子建议如何在TF 1.x中执行此操作,但我似乎无法在TF2.0中复制结果
https://medium.com/@sbp3624/tensorflow-multi-gpu-for-inferencing-test-time-58e952a2ed95
Tensorflow: simultaneous prediction on GPU and CPU
我在这个问题上的精神挣扎主要是
- TF 1.x是基于
tf.Session()
的,而会话在TF2.0中是隐式的,如果我正确理解的话,我阅读的解决方案将为每个GPU使用单独的会话,而我真的不知道如何复制它在TF2.0中 - 我不知道如何在特定会话中使用
model.predict()
方法。
我知道这个问题的格式可能不正确,但我将其总结为:
有人知道如何在TF2.0中的多个GPU上运行Keras风格的model.predict()
(以并行方式推断每个GPU上不同批次的数据)吗?
在此先感谢您的帮助。