急切执行与多处理不兼容

Question

我正在使用tensorflow急于做计算。目的是在所有 GPU 上分配工作。但是，我发现这不能使用多处理来完成。

代码如下（确实很短，除了一些额外的工作）：

import os,sys
import multiprocessing
import numpy as np
# clear folder
folder = os.getcwd()+'/temp/'
for the_file in os.listdir(folder):
    file_path = os.path.join(folder, the_file)
    if os.path.isfile(file_path):
        os.unlink(file_path)

# process
p={}
n_batches=4

# kernel to be called in each process
# here, the example is just to return i_batch
def kernel(i_batch):
    import tensorflow as tf
    from tensorflow.python.eager.context import context, EAGER_MODE, GRAPH_MODE
    def switch_to(mode):
        ctx = context()._eager_context
        ctx.mode = mode
        ctx.is_eager = mode == EAGER_MODE
    switch_to(EAGER_MODE)
    assert tf.executing_eagerly()

    with tf.device("GPU:"+str(i_batch)):
        tf.tile([1],[10])
        r=tf.constant(i_batch).numpy()
    return r

# multiprocessing loop
for i_batch in range(n_batches):
    def multi_processing():
        result=kernel(i_batch)
        np.save(os.getcwd()+'/temp/result'+str(i_batch), result)

    # start multi-processing to allocate     
    p[i_batch] = multiprocessing.Process(target=multi_processing)
    p[i_batch].daemon = True
    p[i_batch].start()

# wait
for i_batch in range(n_batches):   
    p[i_batch].join()

result=0.
for i_batch in range(n_batches): 
    result+=np.load(os.getcwd()+'/temp/result'+str(i_batch)+'.npy')
result

函数内核将由在四个 GPU 上分配工作的主循环调用。但它产生了 error:CUDA_ERROR_OUT_OF_MEMORY.

这其实很短，应该不会占用很多资源。

有人知道如何解决这个问题吗？

Answer 1

由于Tensorflow贪婪分配内存，一个进程可能会耗尽所有资源。参考：

如果您看一下 GPUOptions，除了上面答案中建议的设置 per_process_gpu_memory_fraction 之外，您还可以看一下使用 allow_growth=True 来请求内存和在需要的时候。

您可以尝试的第二件事是使用 CUDA_VISIBLE_DEVICES 选项让每个进程仅使用 GPU 的一个子集运行。参考：

急切执行与多处理不兼容

eager excution is not compatible with multiprocessing

eager

out-of-memory

tensorflow