使用TensorFlow在ARM Mac上利用GPU

Question

使用TensorFlow在ARM Mac上利用GPU

6

我已经按照这些说明在 M1 (ARM) Mac 上安装了 TensorFlow，一切工作正常。

但是，模型训练是在 CPU 上进行的。如何将训练转换到 GPU？

In: tensorflow.config.list_physical_devices()
Out: [PhysicalDevice(name='/physical_device:CPU:0', device_type='CPU')]

在Apple的TensorFlow发行版文档中，我找到了以下内容较为混淆的段落：

无需更改您现有 TensorFlow 脚本即可使用 ML Compute 作为 TensorFlow 和 TensorFlow Addons 的后端。ML Compute 设备选择提供一个可选的 mlcompute.set_mlc_device(device_name='any') API。device_name 的默认值为 'any'，这意味着 ML Compute 将选择系统上最佳的可用设备，包括多 GPU 配置中的多个 GPU。其他可用选项是 CPU 和 GPU。请注意，在急切模式下，ML Compute 将使用 CPU。例如，要选择 CPU 设备，可以执行以下操作：

# Import mlcompute module to use the optional set_mlc_device API for device selection with ML Compute.
from tensorflow.python.compiler.mlcompute import mlcompute

# Select CPU device.
mlcompute.set_mlc_device(device_name='cpu') # Available options are 'cpu', 'gpu', and 'any'.

我尝试运行：

from tensorflow.python.compiler.mlcompute import mlcompute
mlcompute.set_mlc_device(device_name='gpu')

并获得：

WARNING:tensorflow: Eager mode uses the CPU. Switching to the CPU.

我现在遇到了困难，如何在我的 MacBook Air 上使用 GPU 训练 keras 模型？

TensorFlow 版本：2.4.0-rc0

- clstaudt

2个回答

1

尝试关闭急切执行，方法如下：

import tensorflow as tf

tf.compat.v1.disable_eager_execution()

如果它起作用，请告诉我。

- Som Dixit

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Innat · Accepted Answer

更新

tensorflow_macos tf 2.4 存储库已被所有者归档。对于 tf 2.5，请参阅此处。

也许完全禁用急切执行并不实用，但是可以针对tf. functions进行尝试。尝试此方法并检查您的GPU使用情况，警告信息可能会误导。

import tensorflow as tf
tf.config.run_functions_eagerly(False)

目前发布的Mac-optimized TensorFlow存在一些问题，尚未修复（TensorFlow 2.4rc0）。最终，急切模式是TensorFlow 2.x的默认行为，在TensorFlow-MacOS中也没有改变。但与官方版本不同，这个优化版本强制使用CPU进行急切模式。正如他们在这里所述。

... 在急切模式下，ML Compute将使用CPU。

这就是为什么即使我们明确设置了device_name='gpu'，它仍然会切换回CPU，因为急切模式仍然开启。

from tensorflow.python.compiler.mlcompute import mlcompute
mlcompute.set_mlc_device(device_name='gpu')

WARNING:tensorflow: Eager mode uses the CPU. Switching to the CPU.

禁用急切模式可能有助于程序利用GPU，但它不是一种普遍的行为，可能会导致在CPU/GPU上表现出令人困惑的性能。目前，最合适的方法可能是选择device_name='any'，这样ML Compute将查询系统上可用的设备并选择最佳设备来训练网络。