Keras + Tensorflow：對多個GPU的預測

Question

我正在使用帶有tensorflow的Keras作為后端。 我有一個經過編譯/訓練的模型。

我的預測循環很慢，因此我想找到一種方法來並行化predict_proba調用以加快速度。 我想獲取（數據）批次的列表，然后針對每個可用gpu，在這些批次的子集上運行model.predict_proba() 。
實質上：

data = [ batch_0, batch_1, ... , batch_N ]
on gpu_0 => return predict_proba(batch_0)
on gpu_1 => return predict_proba(batch_1)
...
on gpu_N => return predict_proba(batch_N) 

我知道在純Tensorflow中可以將操作分配給給定的gpu（ https://www.tensorflow.org/tutorials/using_gpu ）。 但是，由於我使用Keras的api構建/編譯/訓練了模型，因此我不知道這會如何轉變為我的情況。

我以為也許我只需要使用python的多處理模塊並為每個gpu啟動一個進程，該進程即可運行predict_proba(batch_n) 。 我知道我的另一個SO帖子在理論上是可行的： Keras + Tensorflow和Python中的Multiprocessing 。 但是，這仍然給我帶來一個難題，就是不知道如何實際“選擇”一個gpu來執行該過程。

我的問題歸結為：當使用Tensorflow作為Keras的后端時，如何在多個GPU上並行化Keras中一個模型的預測？

另外，我很好奇，如果僅使用一個GPU就能進行類似的並行預測。

高級描述或代碼示例將不勝感激！

謝謝！

Answer 1

我創建了一個簡單的示例來展示如何在多個GPU上運行keras模型。 基本上，將創建多個進程，並且每個進程都擁有一個GPU。 要指定正在處理的GPU ID，設置環境變量CUDA_VISIBLE_DEVICES是一種非常簡單的方法（os.environ [“ CUDA_VISIBLE_DEVICES”]）。 希望這個git repo可以為您提供幫助。

https://github.com/yuanyuanli85/Keras-Multiple-Process-Prediction

Answer 2

您可以使用此功能並行化Keras模型（貸記到kuza55 ）。
https://github.com/kuza55/keras-extras/blob/master/utils/multi_gpu.py
。

from keras.layers import merge
from keras.layers.core import Lambda
from keras.models import Model

import tensorflow as tf

def make_parallel(model, gpu_count):
    def get_slice(data, idx, parts):
        shape = tf.shape(data)
        size = tf.concat([ shape[:1] // parts, shape[1:] ],axis=0)
        stride = tf.concat([ shape[:1] // parts, shape[1:]*0 ],axis=0)
        start = stride * idx
        return tf.slice(data, start, size)

    outputs_all = []
    for i in range(len(model.outputs)):
        outputs_all.append([])

    #Place a copy of the model on each GPU, each getting a slice of the batch
    for i in range(gpu_count):
        with tf.device('/gpu:%d' % i):
            with tf.name_scope('tower_%d' % i) as scope:

                inputs = []
                #Slice each input into a piece for processing on this GPU
                for x in model.inputs:
                    input_shape = tuple(x.get_shape().as_list())[1:]
                    slice_n = Lambda(get_slice, output_shape=input_shape, arguments={'idx':i,'parts':gpu_count})(x)
                    inputs.append(slice_n)                

                outputs = model(inputs)

                if not isinstance(outputs, list):
                    outputs = [outputs]

                #Save all the outputs for merging back together later
                for l in range(len(outputs)):
                    outputs_all[l].append(outputs[l])

    # merge outputs on CPU
    with tf.device('/cpu:0'):
        merged = []
        for outputs in outputs_all:
            merged.append(merge(outputs, mode='concat', concat_axis=0))

        return Model(input=model.inputs, output=merged)