Keras + Tensorflow: предсказание о множественном gpus

Question

Я использую Keras с тензорным потоком в качестве backend. У меня есть одна скомпилированная/обучаемая модель.

Мой цикл прогнозирования медленный, поэтому я хотел бы найти способ распараллеливать вызовы predict_proba, чтобы ускорить процесс. Я хотел бы взять список партий (данных), а затем за доступный gpu, запустите model.predict_proba() над подмножеством этих партий.
По существу:

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) 

Я знаю, что это возможно в чистом Tensorflow назначить вуп данного графического процессора (https://www.tensorflow.org/tutorials/using_gpu). Тем не менее, я не знаю, как это переводится в мою ситуацию, так как я построил/скомпилировал/обучил свою модель с помощью api Keras.

Я думал, что, возможно, мне просто нужно было использовать многопроцессорный модуль python и запустить процесс на gpu, который будет запускать predict_proba(batch_n). Я знаю, что это теоретически возможно с учетом другой моей должности: Keras + Tensorflow and Multiprocessing in Python. Однако это все еще оставляет мне дилемму не знать, как на самом деле «выбрать» gpu для управления процессом.

Мой вопрос сводится к следующему: как распараллеливать предсказание для одной модели в Keras через несколько gpus при использовании Tensorflow как бэкэда Keras?

Кроме того, мне любопытно, если аналогичное распараллеливание для прогнозирования возможно только с одним gpu.

Описание высокого уровня или пример кода были бы очень признательны!

Спасибо!

Answer 1

Я создал один простой пример, чтобы показать, как запустить модель keras через несколько gpus. В принципе, создается несколько процессов, и каждый из процессов владеет gpu. Чтобы указать id gpu в процессе, установка переменной env CUDA_VISIBLE_DEVICES является очень простым способом (os.environ ["CUDA_VISIBLE_DEVICES"]). Надеюсь, это git-репо может вам помочь.

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

Answer 2

Вы можете использовать эту функцию, чтобы распараллелить модель, Keras (кредиты 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)