跨計算設備執行圖 - CPU 和 GPU · 精通 TensorFlow 1.x

# 跨計算設備執行圖 - CPU 和 GPU 圖可以分為多個部分，每個部分可以放置在不同的設備上執行，例如 CPU 或 GPU。您可以使用以下命令列出可用于執行圖的所有設備： ```py from tensorflow.python.client import device_lib print(device_lib.list_local_devices()) ``` 我們得到以下輸出（您的輸出會有所不同，具體取決于系統中的計算設備）： ```py [name: "/device:CPU:0" device_type: "CPU" memory_limit: 268435456 locality { } incarnation: 12900903776306102093 , name: "/device:GPU:0" device_type: "GPU" memory_limit: 611319808 locality { bus_id: 1 } incarnation: 2202031001192109390 physical_device_desc: "device: 0, name: Quadro P5000, pci bus id: 0000:01:00.0, compute capability: 6.1" ] ``` TensorFlow 中的設備用字符串 `/device:<device_type>:<device_idx>`標識。在上述輸出中， `CPU` 和 `GPU` 表示器件類型，`0`表示器件索引。關于上述輸出需要注意的一點是它只顯示一個 CPU，而我們的計算機有 8 個 CPU。原因是 TensorFlow 隱式地在 CPU 單元中分配代碼，因此默認情況下 `CPU:0` 表示 TensorFlow 可用的所有 CPU。當 TensorFlow 開始執行圖時，它在一個單獨的線程中運行每個圖中的獨立路徑，每個線程在一個單獨的 CPU 上運行。我們可以通過改變 `inter_op_parallelism_threads`的數量來限制用于此目的的線程數。類似地，如果在獨立路徑中，操作能夠在多個線程上運行，TensorFlow 將在多個線程上啟動該特定操作。可以通過設置 `intra_op_parallelism_threads`的數量來更改此池中的線程數。