如何判断tensorflow是否在python shell中使用gpu加速？

303

我已经在ubuntu 16.04中使用第二个答案在 ubuntu的内置apt cuda安装中安装了tensorflow 。

现在我的问题是如何测试tensorflow是否真的在使用gpu？我有一个gtx 960m gpu。当我import tensorflow这是输出

I tensorflow/stream_executor/dso_loader.cc:105] successfully opened CUDA library libcublas.so locally
I tensorflow/stream_executor/dso_loader.cc:105] successfully opened CUDA library libcudnn.so locally
I tensorflow/stream_executor/dso_loader.cc:105] successfully opened CUDA library libcufft.so locally
I tensorflow/stream_executor/dso_loader.cc:105] successfully opened CUDA library libcuda.so.1 locally
I tensorflow/stream_executor/dso_loader.cc:105] successfully opened CUDA library libcurand.so locally

这个输出足以检查tensorflow是否正在使用gpu吗？

python  tensorflow  ubuntu  gpu 
— 塔米姆·阿达里
source
1
您应该在日志中看到以下内容：I tensorflow / core / common_runtime / gpu / gpu_device.cc：838]创建TensorFlow设备（/ gpu：0）->（设备：0，名称：GeForce GTX 980，pci总线ID ：0000：03：00.0）
— Yaroslav Bulatov
2
有log_device_placement办法回答。最可靠的办法就是看看时间表在此评论规定：github.com/tensorflow/tensorflow/issues/...
— 雅罗斯拉夫Bulatov
是的，在姚明回答之后，我得到了此输出...
— Tamim Addari
@YaroslavBulatov在什么日志中？它是将其写入文件还是在哪里检查是否出现类似的语句？
— 查理·帕克
1
它写到stdout或stderr
— Yaroslav Bulatov

Answers:

290

不，我认为“开放式CUDA库”不足以说明问题，因为图形的不同节点可能位于不同的设备上。

要找出使用哪个设备，您可以启用日志设备放置，如下所示：

sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))

检查您的控制台是否有这种类型的输出。

— 张瑶
source
17
我试过了，它绝对不打印任何内容。知道为什么会这样吗？
— Qubix
8
您是在Jupyter笔记本上完成的吗？
— Tamim Addari '17
27
输出可以在您运行Jupyter Notebook的控制台上产生。
— musicly_ut
18
我们是否可以获取Tensorflow V2的更新答案（不支持tf.Sessions）。
— iyop45 '19
6
@ iyop45对于tensorflow V2，该命令进行了一些修改：sess = tf.compat.v1.Session(config=tf.compat.v1.ConfigProto(log_device_placement=True))
— Vandan
276

除了使用sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))其他答案以及TensorFlow官方文档中概述的方法外，您还可以尝试将计算分配给gpu，看看是否有错误。

import tensorflow as tf
with tf.device('/gpu:0'):
    a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
    b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
    c = tf.matmul(a, b)

with tf.Session() as sess:
    print (sess.run(c))

这里

  • “ / cpu：0”：您计算机的CPU。
  • “ / gpu：0”：计算机的GPU（如果有）。

如果您有一个gpu并可以使用它，您将看到结果。否则，您将看到堆栈跟踪很长的错误。最后，您将获得以下内容：

无法将设备分配给节点“ MatMul”：无法满足显式设备规范“ / device：GPU：0”，因为在此过程中未注册与该规范匹配的设备

最近，一些有用的功能出现在TF中：

您还可以在会话中检查可用设备：

with tf.Session() as sess:
  devices = sess.list_devices()

devices 会给你类似的东西

[_DeviceAttributes(/job:tpu_worker/replica:0/task:0/device:CPU:0, CPU, -1, 4670268618893924978),
 _DeviceAttributes(/job:tpu_worker/replica:0/task:0/device:XLA_CPU:0, XLA_CPU, 17179869184, 6127825144471676437),
 _DeviceAttributes(/job:tpu_worker/replica:0/task:0/device:XLA_GPU:0, XLA_GPU, 17179869184, 16148453971365832732),
 _DeviceAttributes(/job:tpu_worker/replica:0/task:0/device:TPU:0, TPU, 17179869184, 10003582050679337480),
 _DeviceAttributes(/job:tpu_worker/replica:0/task:0/device:TPU:1, TPU, 17179869184, 5678397037036584928)
— 萨尔瓦多·达利
source
17
结果：[[22. 28.] [49. 64.]]
— George Pligoropoulos
6
@GeorgePligor的结果在这里并不是很重要。您是否有结果且使用了GPU还是有错误，这意味着未使用它
— Salvador Dali
1
这对我不起作用。我在由nvidia-docker等执行的Docker容器中运行了此程序。但是，我没有收到任何错误，并且CPU是完成工作的一个。我将矩阵增加了一点（10k * 10k），以确保计算一段时间。CPU使用率提高了100％，但GPU始终保持凉爽。
— pascalwhoop
在控制台中运行它时，出现“没有设备匹配”错误。在像pycharm这样的IDE中，没有错误。我想这与我使用的会话有关，在控制台上有所不同。
— cn123h
容易明白。如果GPU可用，它将打印类似内容Found device 0 with properties: name: GeForce GTX 1080 Ti major: 6 minor: 1 memoryClockRate(GHz): 1.582 pciBusID: 0000:02:00.0 totalMemory: 10.92GiB freeMemory: 10.76GiB
— Leoli
166

以下代码段应为您提供所有可用于tensorflow的设备。

from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())

样本输出

[name：“ / cpu：0” device_type：“ CPU” memory_limit：268435456本地化{}化身：4402277519343584096，

名称：“ / gpu：0” device_type：“ GPU” memory_limit：6772842168本地化{bus_id：1}化身：7471795903849088328 physical_device_desc：“设备：0，名称：GeForce GTX 1070，pci总线ID：0000：05：00.0”]

— 设拉子
source
9
这是最好的答案。
— lolski '18 -10-18
3
并且如果此命令不返回任何带有“ GPU”的条目，是否表示我的机器确实具有GPU，或者tensorflow无法找到它？
— ink0114
@ mercury0114可能是。例如，您可能有一个GPU，但没有正确安装tensorflow-gpu。
— jimijazz
4
我不同意，这不能回答问题：这不是关于可用的设备，而是所使用的设备。那可能是一个完全不同的故事！（例如，TF将只使用默认的1个GPU。
— Mayou36
名称：“ / device：GPU：0” device_type：“ GPU” memory_limit：10711446324位置{bus_id：1个链接{}}化身：17935632445266485019 physical_device_desc：“ device：0，名称：GeForce RTX 2080 Ti，pci总线id：0000： 01：00.0，计算能力：7.5英寸]
— kamran kausar
89

我认为有一个更简单的方法可以实现这一目标。

import tensorflow as tf
if tf.test.gpu_device_name():
    print('Default GPU Device: {}'.format(tf.test.gpu_device_name()))
else:
    print("Please install GPU version of TF")

它通常打印像 

Default GPU Device: /device:GPU:0

在我看来，这比那些冗长的日志更容易。

— 伊山·巴特（Ishan Bhatt）
source
同意 比上述方法更容易。打印其使用的GPU列表。谢谢
— user907629 '18
2
最真棒所有的
— echan00
这不是有效的测试。即使您安装了GPU版本的tensorflow，它也会返回else语句。
— 戈达德
67

Tensorflow 2.0

会话在2.0中不再使用。相反，可以使用tf.test.is_gpu_available：

import tensorflow as tf

assert tf.test.is_gpu_available()
assert tf.test.is_built_with_cuda()

如果出现错误，则需要检查安装。

— ma3oun
source
这也适用于TF 1.14（甚至可能是一些较旧的版本）！
— Overdrivr
5
现在建议您这样做tf.config.list_physical_devices('GPU')
— Roy Shilkrot
@Roy Shilkrot我认为'tf.config.list_physical_devices（'GPU'）'在Tensorflow 2.0中不起作用
— joselquin
1
@joselquin TF v2.x文档指出它应该可以工作：tensorflow.org/api_docs/python/tf/config/experimental/…，我可以验证它是否对我有用。
— Roy Shilkrot
29

这是否可以确认使用GPU同时训练tensorflow吗？

码

sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))

输出量

I tensorflow/core/common_runtime/gpu/gpu_device.cc:885] Found device 0 with properties: 
name: GeForce GT 730
major: 3 minor: 5 memoryClockRate (GHz) 0.9015
pciBusID 0000:01:00.0
Total memory: 1.98GiB
Free memory: 1.72GiB
I tensorflow/core/common_runtime/gpu/gpu_device.cc:906] DMA: 0 
I tensorflow/core/common_runtime/gpu/gpu_device.cc:916] 0:   Y 
I tensorflow/core/common_runtime/gpu/gpu_device.cc:975] Creating TensorFlow device (/gpu:0) -> (device: 0, name: GeForce GT 730, pci bus id: 0000:01:00.0)
Device mapping:
/job:localhost/replica:0/task:0/gpu:0 -> device: 0, name: GeForce GT 730, pci bus id: 0000:01:00.0
I tensorflow/core/common_runtime/direct_session.cc:255] Device mapping:
/job:localhost/replica:0/task:0/gpu:0 -> device: 0, name: GeForce GT 730, pci bus id: 0000:01:00.0
— Himanshurobo
source
5
请添加一些解释，以说明您的答案为何有效（该log_device_placement怎么做以及如何在输出中看到CPU与GPU？）。这样可以提高您的答案质量！
— Nander Speerstra '16
25

除了其他答案之外，以下内容还应帮助您确保您的tensorflow版本包括GPU支持。

import tensorflow as tf
print(tf.test.is_built_with_cuda())
— 卡拉普
source
7
警告：这会告诉您TensorFlow是否使用GPU编译。不是是否正在使用GPU。（例如，如果驱动程序未正确安装，则即使“ is_built_with_cuda（）”为true，也会使用CPU。）
— Ricardo Cruz
19

好的，首先ipython shell从终端和importTensorFlow 启动一个：

$ ipython --pylab
Python 3.6.5 |Anaconda custom (64-bit)| (default, Apr 29 2018, 16:14:56) 
Type 'copyright', 'credits' or 'license' for more information
IPython 6.4.0 -- An enhanced Interactive Python. Type '?' for help.
Using matplotlib backend: Qt5Agg

In [1]: import tensorflow as tf

现在，我们可以使用以下命令在控制台中查看 GPU内存使用情况：

# realtime update for every 2s
$ watch -n 2 nvidia-smi

由于我们只import使用过TensorFlow，但尚未使用任何GPU，因此使用情况统计信息为：

TF非GPU使用情况

请注意，GPU内存使用情况非常少（〜700MB）；有时，GPU内存使用量甚至可能低至0 MB。

现在，让我们在代码中加载GPU。如中所示tf documentation，执行以下操作：

In [2]: sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))

现在，手表统计信息应显示更新的GPU使用情况内存，如下所示：

TF GPU手表

现在观察从ipython shell进行的Python进程如何使用约7 GB的GPU内存。

PS：您可以在代码运行时继续观看这些统计信息，以了解随着时间的推移GPU使用的强度。

— kmario23
source
1
我希望我能给答案加星号。这个是金色的
— Zain Rizvi
18

这应该给出可用于Tensorflow的设备列表（在Py-3.6下）：

tf = tf.Session(config=tf.ConfigProto(log_device_placement=True))
tf.list_devices()
# _DeviceAttributes(/job:localhost/replica:0/task:0/device:CPU:0, CPU, 268435456)
— 0
source
男人，我误选了您的问题...如果您编辑问题，我将取消我的否决
— Francesco Boi
14

我更喜欢使用nvidia-smi来监视GPU使用情况。如果在您开始编程时它显着上升，则表明您的张量流正在使用GPU。

— 斯科特·黄
source
这是一种间接方式
— papabiceps
您如何使用nvdia-smi监视GPU使用情况？
— 拉津
在您安装cuda之后。nvidia-smi应该在您的系统中。我通常使用'nvidia-smi -l'来监视使用情况。
— 斯科特·黄
3
您还可以使用手表nvidia-smi，每2秒更新一次屏幕
— Perseus14 '18
看nvidia-smi对我来说效果很好。我还可以在输出中看到我的python进程正在使用GPU
— formica
9

使用Tensorflow的最新更新，您可以按以下步骤进行检查： 

tf.test.is_gpu_available( cuda_only=False, min_cuda_compute_capability=None)

这将返回True如果正在使用的GPU Tensorflow，并返回False否则。

如果需要设备device_name，可以键入：tf.test.gpu_device_name()。从这里获取更多详细信息

— 苏菲安·查米（Soufiane Chami）
source
8

在Jupyter中运行以下命令，

import tensorflow as tf
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))

如果您已经正确设置了环境，则在运行“ jupyter notebook”的终端中将获得以下输出，

2017-10-05 14:51:46.335323: I c:\tf_jenkins\home\workspace\release-win\m\windows-gpu\py\35\tensorflow\core\common_runtime\gpu\gpu_device.cc:1030] Creating TensorFlow device (/gpu:0) -> (device: 0, name: Quadro K620, pci bus id: 0000:02:00.0)
Device mapping:
/job:localhost/replica:0/task:0/gpu:0 -> device: 0, name: Quadro K620, pci bus id: 0000:02:00.0
2017-10-05 14:51:46.337418: I c:\tf_jenkins\home\workspace\release-win\m\windows-gpu\py\35\tensorflow\core\common_runtime\direct_session.cc:265] Device mapping:
/job:localhost/replica:0/task:0/gpu:0 -> device: 0, name: Quadro K620, pci bus id: 0000:02:00.0

您可以在这里看到我正在使用TensorFlow和Nvidia Quodro K620。

— 松饼
source
Jupyter完全没有必要，请不要增加问题的复杂性
— Patrizio Bertoni，
1
一些用户可能想要确保GPU在Jupyter中可用。此外，这可以从Python脚本运行。
— wafflecat
8

我发现仅从命令行查询gpu是最简单的：

nvidia-smi

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 384.98                 Driver Version: 384.98                    |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|===============================+======================+======================|
|   0  GeForce GTX 980 Ti  Off  | 00000000:02:00.0  On |                  N/A |
| 22%   33C    P8    13W / 250W |   5817MiB /  6075MiB |      0%      Default |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes:                                                       GPU Memory |
|  GPU       PID   Type   Process name                             Usage      |
|=============================================================================|
|    0      1060      G   /usr/lib/xorg/Xorg                            53MiB |
|    0     25177      C   python                                      5751MiB |
+-----------------------------------------------------------------------------+

如果您的学习是后台进程，则pid的来源 jobs -p应与pid的来源相匹配nvidia-smi

— 提姆
source
6

您可以通过运行以下代码来检查当前是否正在使用GPU： 

import tensorflow as tf
tf.test.gpu_device_name()

如果输出为''，则表示您CPU仅在使用；
如果输出是类似的内容/device:GPU:0，则表示GPU有效。

并使用以下代码检查GPU您正在使用的代码： 

from tensorflow.python.client import device_lib 
device_lib.list_local_devices()
— 胡西溪
source
如果输出为' '，那么我们该怎么办？
— 杰森
@Jason只需重新安装GPU版本。
— 胡锡熙
6

将其放在jupyter笔记本顶部附近。注释掉您不需要的内容。

# confirm TensorFlow sees the GPU
from tensorflow.python.client import device_lib
assert 'GPU' in str(device_lib.list_local_devices())

# confirm Keras sees the GPU (for TensorFlow 1.X + Keras)
from keras import backend
assert len(backend.tensorflow_backend._get_available_gpus()) > 0

# confirm PyTorch sees the GPU
from torch import cuda
assert cuda.is_available()
assert cuda.device_count() > 0
print(cuda.get_device_name(cuda.current_device()))

注意：随着TensorFlow 2.0的发布，Keras现在已包含在TF API中。

最初在这里回答。

— 保罗·威廉姆斯
source
5

对于Tensorflow 2.0

import tensorflow as tf

tf.test.is_gpu_available(
    cuda_only=False,
    min_cuda_compute_capability=None
)

来源在这里

其他选择是：

tf.config.experimental.list_physical_devices('GPU')
— 混沌预测器
source
1
is_gpu_available（来自tensorflow.python.framework.test_util）已弃用，并将在以后的版本中删除。
— Himanshu Teotia
5

TENSORFLOW的更新> = 2.1。

检查TensorFlow是否使用GPU的推荐方法如下：

tf.config.list_physical_devices('GPU')

从TensorFlow 2.1开始，tf.test.gpu_device_name()已不赞成使用上述内容。

— 蒂姆布斯·卡林（Timbus Calin）
source
3

这是我用来列出可tf.session直接从bash 访问的设备的行：

python -c "import os; os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3'; import tensorflow as tf; sess = tf.Session(); [print(x) for x in sess.list_devices()]; print(tf.__version__);"

它将打印可用设备和tensorflow版本，例如：

_DeviceAttributes(/job:localhost/replica:0/task:0/device:CPU:0, CPU, 268435456, 10588614393916958794)
_DeviceAttributes(/job:localhost/replica:0/task:0/device:XLA_GPU:0, XLA_GPU, 17179869184, 12320120782636586575)
_DeviceAttributes(/job:localhost/replica:0/task:0/device:XLA_CPU:0, XLA_CPU, 17179869184, 13378821206986992411)
_DeviceAttributes(/job:localhost/replica:0/task:0/device:GPU:0, GPU, 32039954023, 12481654498215526877)
1.14.0
— 塞利文奇克
source
3

我发现下面的代码片段非常方便测试gpu ..

Tensorflow 2.0测试

import tensorflow as tf
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
with tf.device('/gpu:0'):
    a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
    b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
    c = tf.matmul(a, b)

with tf.Session() as sess:
    print (sess.run(c))

Tensorflow 1测试

import tensorflow as tf
with tf.device('/gpu:0'):
    a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
    b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
    c = tf.matmul(a, b)

with tf.Session() as sess:
    print (sess.run(c))
— 阿杰耶拉梅什
source
3

以下内容还将返回您的GPU设备的名称。

import tensorflow as tf
tf.test.gpu_device_name()
— 马兹
source
如果此命令的输出为空字符串...我该如何调试？
— zthomas.nc
3

使用tensotflow 2.0> =

import tensorflow as tf
sess = tf.compat.v1.Session(config=tf.compat.v1.ConfigProto(log_device_placement=True))

在此处输入图片说明

— Leplandelaville
source
2

您可以使用一些选项来测试TensorFlow安装是否正在使用GPU加速。

您可以在三个不同的平台上键入以下命令。

import tensorflow as tf
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
  1. Jupyter Notebook-检查正在运行Jupyter Notebook的控制台。您将能够看到正在使用的GPU。
  2. Python Shell-您将能够直接看到输出。（注意-不要将第二个命令的输出分配给变量'sess'；如果有帮助的话）。

  3. Spyder-在控制台中键入以下命令。

    import tensorflow as tf tf.test.is_gpu_available()

— simpleParadox
source
2

Tensorflow 2.1

可以使用nvidia-smi进行验证的简单计算，以了解GPU上的内存使用情况。

import tensorflow as tf 

c1 = []
n = 10

def matpow(M, n):
    if n < 1: #Abstract cases where n < 1
        return M
    else:
        return tf.matmul(M, matpow(M, n-1))

with tf.device('/gpu:0'):
    a = tf.Variable(tf.random.uniform(shape=(10000, 10000)), name="a")
    b = tf.Variable(tf.random.uniform(shape=(10000, 10000)), name="b")
    c1.append(matpow(a, n))
    c1.append(matpow(b, n))
— 罐头
source
2 
>>> import tensorflow as tf 
>>> tf.config.list_physical_devices('GPU')

2020-05-10 14:58:16.243814: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcuda.so.1
2020-05-10 14:58:16.262675: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:981] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2020-05-10 14:58:16.263119: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1555] Found device 0 with properties:
pciBusID: 0000:01:00.0 name: GeForce GTX 1060 6GB computeCapability: 6.1
coreClock: 1.7715GHz coreCount: 10 deviceMemorySize: 5.93GiB deviceMemoryBandwidth: 178.99GiB/s
2020-05-10 14:58:16.263143: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcudart.so.10.1
2020-05-10 14:58:16.263188: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcublas.so.10
2020-05-10 14:58:16.264289: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcufft.so.10
2020-05-10 14:58:16.264495: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcurand.so.10
2020-05-10 14:58:16.265644: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcusolver.so.10
2020-05-10 14:58:16.266329: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcusparse.so.10
2020-05-10 14:58:16.266357: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcudnn.so.7
2020-05-10 14:58:16.266478: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:981] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2020-05-10 14:58:16.266823: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:981] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2020-05-10 14:58:16.267107: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1697] Adding visible gpu devices: 0
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]

如@AmitaiIrron所建议：

本部分表明已找到一个GPU

2020-05-10 14:58:16.263119: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1555] Found device 0 with properties:

pciBusID: 0000:01:00.0 name: GeForce GTX 1060 6GB computeCapability: 6.1
coreClock: 1.7715GHz coreCount: 10 deviceMemorySize: 5.93GiB deviceMemoryBandwidth: 178.99GiB/s

在这里，它被添加为可用的物理设备

2020-05-10 14:58:16.267107: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1697] Adding visible gpu devices: 0

[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
— 布莱迪
source
如果您指向输出中指示是否使用GPU的部分，这将很有用。
— 阿米泰·艾伦
@AmitaiIrron感谢您的建议，我希望现在可以更清楚了。
— bLeDy
1

如果您正在使用TensorFlow 2.0，则可以使用此for循环显示设备：

with tf.compat.v1.Session() as sess:
  devices = sess.list_devices()
devices
— 道格
source
1

如果您使用的是tensorflow 2.x，请使用：

sess = tf.compat.v1.Session(config=tf.compat.v1.ConfigProto(log_device_placement=True))
— ept
source
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.