tensorflow - 如何在 Tensorflow 2.0 + Keras 中进行并行 GPU 推理？

Question

让我们从我刚开始接触 TensorFlow 和深度学习的前提开始。

我有使用 tf.Model.train() 训练的 TF 2.0 Keras 风格模型，两个可用的 GPU，我正在寻找缩减推理时间。

我使用非常方便的 tf.distribute.MirroredStrategy().scope() 训练了分布在 GPU 上的模型上下文管理器

mirrored_strategy = tf.distribute.MirroredStrategy()

with mirrored_strategy.scope():
  model.compile(...)
  model.train(...)

两个 GPU 都得到了有效利用(即使我对结果的准确性不太满意)。

我似乎找不到类似的策略来使用 tf.Model.predict() 在 GPU 之间分配推理方法:当我运行时 model.predict()我(显然)仅从两个 GPU 之一获得使用。

是否可以在两个 GPU 上实例化相同的模型并并行提供不同的数据块？

有些帖子建议如何在 TF 1.x 中执行此操作，但我似乎无法在 TF2.0 中复制结果

https://medium.com/@sbp3624/tensorflow-multi-gpu-for-inferencing-test-time-58e952a2ed95

Tensorflow: simultaneous prediction on GPU and CPU

我对这个问题的心理斗争主要是

TF 1.x 是 tf.Session()基于而 session 在 TF2.0 中是隐含的，如果我正确理解，我阅读的解决方案对每个 GPU 使用单独的 session ，我真的不知道如何在 TF2.0 中复制它

我不知道如何使用 model.predict()具有特定 session 的方法。

我知道这个问题可能没有很好地表述，但我总结为:

有没有人知道如何运行 Keras 风格的 model.predict()在 TF2.0 中的多个 GPU 上(以并行方式对每个 GPU 上的不同批次数据进行推理)？

在此先感谢您的帮助。

Answer 1

尝试在 tf.distribute.MirroredStrategy 中加载模型并使用更大的batch_size

mirrored_strategy = tf.distribute.MirroredStrategy()

with mirrored_strategy.scope():
    model = tf.keras.models.load_model(saved_model_path)

result = model.predict(batch_size=greater_batch_size)