【发布时间】：2019-04-13 14:23:01
【问题描述】：
我最近构建了我的第一个 TensorFlow 模型（从手动编码的 python 转换而来）。我正在使用 tensorflow-gpu，但我只想在训练期间使用 GPU 进行反向传播。对于其他一切我想使用 CPU。我已经看到this article 展示了如何在默认使用 GPU 的系统上强制使用 CPU。但是，您必须指定要强制使用 CPU 的每个操作。相反，我想做相反的事情。我想默认使用 CPU，然后只为我在训练期间执行的反向传播指定 GPU。有没有办法做到这一点？
更新
由于我的模型和场景目前是如何构建的，看起来事情会在 tensorflow 上运行得更慢。我尝试使用仅使用常规（非gpu）张量流的不同环境，它的运行速度仍然比手动编码的python慢得多。我怀疑，其原因在于它是一种强化学习模型，它可以下跳棋（见下文），并在与计算机对手对战时一次做出一个前向道具“预测”。在我设计架构的时候，这是有道理的。但是一次做一个预测的效率不是很高，而且无论 tensorflow 的开销如何，效率都不高。
所以，现在我在想，我需要改变游戏架构，比如同时玩一千场游戏，并批量运行一千个前进道具动作。但是，伙计，现在改变架构充其量是很棘手的。
【问题讨论】：
-
您有这样做的理由吗？如果您希望前向传递仅用于用户（非开发人员）的 CPU，那么只需在用户使用它时启用 CPU。
-
这就是原因。该模型被用于强化学习。具体来说，它玩跳棋。这意味着在玩游戏时（与另一位电脑玩家对战），前向道具被用来进行单次移动（即单次预测）。因此，对于每一步，游戏本身（使用 Python 和 NumPy 构建）都需要提供 NumPy 输入数组，然后必须将其复制到 GPU 用于前向道具，然后再复制回 NumPy 到游戏中。每一步的副本都非常昂贵，实际上使实际游戏的运行速度比 CPU 上手动编码的 python 慢得多。
标签： python tensorflow