tf.ConfigProto类

tf.ConfigProto()主要的作用是配置tf.Session的运算方式，比如gpu运算或者cpu运算，设置性质如下：

allow_soft_placement

• bool allow_soft_placement

cluster_def

• ClusterDef cluster_def

device_count

• repeated DeviceCountEntry device_count

device_filters

• repeated string device_filters

experimental

• Experimental experimental

gpu_options

• GPUOptions gpu_options

graph_options

• GraphOptions graph_options

inter_op_parallelism_threads

• int32 inter_op_parallelism_threads

intra_op_parallelism_threads

• int32 intra_op_parallelism_threads

isolate_session_state

• bool isolate_session_state

log_device_placement

• bool log_device_placement

operation_timeout_in_ms

• int64 operation_timeout_in_ms

placement_period

• int32 placement_period

rpc_options

• RPCOptions rpc_options

session_inter_op_thread_pool

• repeated ThreadPoolOptionProto session_inter_op_thread_pool

use_per_session_threads

• bool use_per_session_threads

例：

import tensorflow as tf

session_config = tf.ConfigProto(
      log_device_placement=True,
      inter_op_parallelism_threads=0,
      intra_op_parallelism_threads=0,
      allow_soft_placement=True)

sess = tf.Session(config=session_config)

a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2,3], name='b')
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)
print(sess.run(c))

具体解释：

log_device_placement=True

• 设置为True时，会打印出TensorFlow使用了那种操作

inter_op_parallelism_threads=0

• 设置线程一个操作内部并行运算的线程数，比如矩阵乘法，如果设置为０，则表示以最优的线程数处理

intra_op_parallelism_threads=0

• 设置多个操作并行运算的线程数，比如 c = a + b，d = e + f . 可以并行运算

allow_soft_placement=True

• 有时候，不同的设备，它的cpu和gpu是不同的，如果将这个选项设置成True，那么当运行设备不满足要求时，会自动分配GPU或者CPU。

其他选项：

当使用GPU时候，Tensorflow运行自动慢慢达到最大GPU的内存

session_config.gpu_options.allow_growth = True

当使用GPU时，设置GPU内存使用最大比例

session_config.gpu_options.per_process_gpu_memory_fraction = 0.4

是否能够使用GPU进行运算

tf.test.is_built_with_cuda()

另外的处理方法

import tensorflow as tf

sess = tf.Session()

with tf.device('/cpu:0'):
    a = tf.constant([1.0, 3.0, 5.0], shape=[1, 3])
    b = tf.constant([2.0, 4.0, 6.0], shape=[3, 1])

    with tf.device('/gpu:0'):
        c = tf.matmul(a, b)
        c = tf.reshape(c, [-1])

    with tf.device('/gpu:0'):
        d = tf.matmul(b, a)
        flat_d = tf.reshape(d, [-1])

    combined = tf.multiply(c, flat_d)
    print(sess.run(combined))