我正在尝试将 theano 与 cpu 多处理和神经网络库 Keras 结合使用。
I use device=gpu标记并加载 keras 模型。然后，为了提取超过一百万张图像的特征，我使用多处理池。
该函数看起来像这样：
from keras import backend as K
f = K.function([model.layers[0].input, K.learning_phase()], [model.layers[-3].output,])
def feature_gen(flz):
im = imread(flz)
cPickle.dump(f([im, 0])[0][0], open(flz, 'wb'), -1)
pool = mp.Pool(processes=10)
results = [pool.apply_async(feature_gen, args=(f, )) for f in filelist]]
然而，这开始在 GPU 内存中创建池，并且我的代码因内存错误而失败。是否可以强制多处理在CPU内存中创建线程，然后使用特定部分进行特征提取，例如f([im, 0])[0][0]与GPU？
如果没有，是否有其他方法可以在 python 中并行执行相同的操作？
如果其他进程不使用 keras，则可以使用多个进程，据我所知，您需要将 keras 的使用限制为单个进程。这似乎包括所有 keras 类和方法，甚至那些似乎不使用 gpu 的类和方法，例如图像数据生成器。
如果工作负载受 GPU 限制，还可以使用线程库，它创建线程而不是进程，例如如果在 GPU 处理前一批数据时加载数据，则该限制不适用。由于全局解释器锁，这不是 CPU 有限环境中的解决方案。
您的情况看起来像是并行的[读取，在 GPU 上工作，写入]。这可以改造成管道，例如一些进程读取，主进程执行 GPU 工作，一些进程写入。
- 为输入/输出创建队列对象（threading.Queue 或 multiprocessing.Queue）
- 创建后台工作线程/进程，从磁盘读取数据并将其提供给输入队列
- 创建后台工作线程/进程，将数据从输出队列写入磁盘
- 主循环从输入队列获取数据，创建批次，在 GPU 上处理数据并填充输出队列
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
