[PYTHON] Comment réduire l'utilisation de la mémoire GPU avec Keras

Si vous essayez d'utiliser Keras avec le back-end comme TensorFlow, le paramètre par défaut est d'utiliser toute la mémoire du GPU et vous ne pouvez pas exécuter plusieurs expériences.Je vais donc introduire une méthode de configuration pour réduire l'utilisation de la mémoire du GPU. [^ 1] [^ 2]

Environnement de vérification

tensorflow==1.3.0
tensorflow-gpu==1.3.0
Keras==2.0.6

Réduisez l'utilisation de la mémoire du GPU

Vous pouvez coller le code ci-dessous ou l'importer.

Sécurisez uniquement la mémoire GPU minimale

Il peut être défini avec gpu_options.allow_growth. Il s'agit d'une méthode d'allocation uniquement de la quantité requise au moment de l'exécution, et la zone de mémoire est étendue lorsque cela est nécessaire. Cependant, étant donné que la mémoire n'est pas libérée automatiquement, la mémoire peut devenir fragmentée et les performances peuvent se détériorer, soyez donc prudent. [^ 1]

import tensorflow as tf
from keras import backend as K
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
sess = tf.Session(config=config)
K.set_session(sess)

Sécurisé en spécifiant le ratio de la mémoire totale du GPU

Il peut être défini avec gpu_options.per_process_gpu_memory_fraction. Dans l'exemple ci-dessous, 40% de mémoire est utilisé.

import tensorflow as tf
from keras import backend as K
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.4
sess = tf.Session(config=config)
K.set_session(sess)

Situation d'exécution

$ nvidia-smi -l
+-----------------------------------------------------------------------------+
| Processes:                                                       GPU Memory |
|  GPU       PID  Type  Process name                               Usage      |
|=============================================================================|
|    0     30654    C   python                                        3527MiB |
|    1     30779    C   python                                        3357MiB |
+-----------------------------------------------------------------------------+

References