简要说明如何在python脚本中启用tensorflow的gpu加速功能，即使`tf.test.is_gpu_available`返回true，也可能需要额外配置。文章将指导用户检查兼容性、配置gpu内存增长，并提供示例代码，以确保深度学习模型充分利用gpu性能，解决cpu运行缓慢的问题。
在进行深度学习模型训练或推理时，图形处理器（GPU）凭借其强大的并行计算能力，能够显著提升处理速度，远超中央处理器（CPU）。然而，许多开发者会遇到一个常见问题：尽管系统已正确安装NVIDIA驱动、CUDA Toolkit和cuDNN，并且TensorFlow也能检测到GPU（tf.test.is_gpu_available()返回True），但实际运行的Python脚本仍旧在CPU上执行，导致性能瓶颈。这通常是由于TensorFlow的GPU配置未完全到位所致。本教程将详细介绍如何确保TensorFlow充分利用GPU资源。
在使用GPU加速之前，必须确保以下关键组件已正确安装并兼容：
需要注意的是，即使tf.test.is_gpu_available()返回True，也仅表示TensorFlow能够检测到系统中的GPU设备，并识别出CUDA环境。但这并不意味着您的所有模型操作都会自动在GPU上执行，尤其是在未进行显式配置的情况下。
为了确保TensorFlow模型能够实际运行在GPU上，我们需要在Python脚本中进行明确的配置，最关键的一步是设置GPU内存增长（Memory Growth）。
立即学习“Python免费学习笔记（深入）”；
默认情况下，TensorFlow可能会尝试在启动时一次性分配所有可用的GPU内存。这可能导致以下问题：
通过启用内存增长，TensorFlow会根据需要动态分配GPU内存，而不是一次性占用全部，从而提高灵活性和与其他GPU进程的兼容性。
以下是在Python脚本中配置TensorFlow GPU的推荐方法：
import tensorflow as tf
# 确保在导入其他依赖（如Keras模型）之前执行此配置
# 检查物理GPU设备
physical_devices = tf.config.list_physical_devices('GPU')
if len(physical_devices) > 0:
print(f"检测到 {len(physical_devices)} 个GPU设备。")
try:
# 遍历所有检测到的GPU设备
for gpu in physical_devices:
# 启用GPU内存增长
tf.config.experimental.set_memory_growth(gpu, True)
print(f"已为设备 {gpu} 启用内存增长。")
print("TensorFlow已成功配置为使用GPU。")
except RuntimeError as e:
# 捕获并打印可能出现的运行时错误
print(f"配置GPU时发生错误: {e}")
else:
print("未检测到GPU设备。TensorFlow将运行在CPU上。")
# 此后，您可以加载Keras模型或执行其他TensorFlow操作
# 例如:
# from keras.models import load_model
# model = load_model('your_model.h5')
# ...将配置代码集成到您的脚本中：
将上述GPU配置代码段放置在您的Python脚本中，紧随 import tensorflow 语句之后，且在任何涉及Keras模型加载或TensorFlow计算之前。
例如，对于原始问题中提供的脚本，您应该将其放置在 import tensorflow as tf 之后，但在加载Keras模型 model = load_model('model_1.h5') 之前。
import tkinter as tk
from tkinter import messagebox
from PIL import Image, ImageTk
import cv2
import numpy as np
import face_recognition
import os
import imutils
import time
from imutils.video import VideoStream
from keras.models import load_model
from keras.preprocessing import image
import tensorflow as tf # TensorFlow 导入在这里
# --- GPU 配置代码开始 ---
physical_devices = tf.config.list_physical_devices('GPU')
if len(physical_devices) > 0:
print(f"检测到 {len(physical_devices)} 个GPU设备。")
try:
for gpu in physical_devices:
tf.config.experimental.set_memory_growth(gpu, True)
print(f"已为设备 {gpu} 启用内存增长。")
print("TensorFlow已成功配置为使用GPU。")
except RuntimeError as e:
print(f"配置GPU时发生错误: {e}")
else:
print("未检测到GPU设备。TensorFlow将运行在CPU上。")
# --- GPU 配置代码结束 ---
# Tkinter penceresini oluştur
root = tk.Tk()
root.title("Yüz Tanıma ve Duygu Analizi")
# Frame'leri oluştur
main_frame = tk.Frame(root)
main_frame.pack()
left_frame = tk.Frame(main_frame)
left_frame.pack(side=tk.LEFT)
right_frame = tk.Frame(main_frame)
right_frame.pack(side=tk.RIGHT)
# Kamera görüntüsü için etiket
video_label = tk.Label(left_frame)
video_label.pack()
# Yüz Tanıma ve Duygu Analizi etiketi
label = tk.Label(right_frame, text="Yüz Tanıma ve Duygu Analizi", font=("Helvetica", 16))
label.pack()
# Uygulamayı kapatacak buton
close_button = tk.Button(right_frame, text="Uygulamayı Kapat", command=root.quit)
close_button.pack()
# Eğitilmiş duygu analizi modelini yükle
# 此处加载模型，将在GPU配置后进行
model = load_model('model_1.h5')
label_dict = {0: 'Kizgin', 1: 'İgrenme', 2: 'Korku', 3: 'Mutlu', 4: 'Notr', 5: 'Uzgun', 6: 'Saskin'}
# Yüz tanıma için kullanılacak parametreler
DEFAULT_PROTOTXT = "deploy.prototxt.txt"
DEFAULT_MODEL = "res10_300x300_ssd_iter_140000.caffemodel"
DEFAULT_CONFIDENCE = 0.5
# Caffe modelini diskten yükle
net = cv2.dnn.readNetFromCaffe(DEFAULT_PROTOTXT, DEFAULT_MODEL)
# Video akışını başlat
vs = VideoStream(src=0).start()
time.sleep(2.0)
# Kamera görüntüsünü güncelle
def update_video():
frame = vs.read()
frame = imutils.resize(frame, width=900)
(h, w) = frame.shape[:2]
blob = cv2.dnn.blobFromImage(cv2.resize(frame, (300, 300)), 1.0, (300, 300), (104.0, 177.0, 123.0))
net.setInput(blob)
detections = net.forward()
for i in range(0, detections.shape[2]):
confidence = detections[0, 0, i, 2]
if confidence < DEFAULT_CONFIDENCE:
continue
box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])
(startX, startY, endX, endY) = box.astype("int")
face_roi = frame[startY:endY, startX:endX]
face_gray = cv2.cvtColor(face_roi, cv2.COLOR_BGR2GRAY)
face_img = cv2.resize(face_gray, (48, 48))
face_img_array = image.img_to_array(face_img)
face_img_array = np.expand_dims(face_img_array, axis=0)
face_img_array = np.expand_dims(face_img_array, axis=-1)
# 情感分析模型预测
predictions = model.predict(face_img_array)
emotion_label_index = np.argmax(predictions)
predicted_emotion = label_dict[emotion_label_index]
cv2.rectangle(frame, (startX, startY), (endX, endY), (0, 0, 255), 2)
cv2.putText(frame, f'Duygu: {predicted_emotion}', (startX, startY - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (255, 255, 255), 2, cv2.LINE_AA)
# Yüz eşleştirme için resimleri yükle
image_folder = "image" # Resimlerin bulunduğu klasör
known_faces = []
known_face_names = []
for file in os.listdir(image_folder):
if file.endswith(".jpg"):
file_path = os.path.join(image_folder, file)
img = face_recognition.load_image_file(file_path)
encoding = face_recognition.face_encodings(img)[0] # Her bir resmin yüz kodlamasını al
known_faces.append(encoding)
known_face_names.append(os.path.splitext(file)[0]) # Dosya adını yüz ismi olarak ekle
# Yüz eşleştirme
face_locations = face_recognition.face_locations(frame)
unknown_face_encodings = face_recognition.face_encodings(frame, face_locations)
for face_encoding in unknown_face_encodings:
matches = face_recognition.compare_faces(known_faces, face_encoding)
name = "Bilinmiyor" # Eğer eşleşme yoksa
if True in matches:
first_match_index = matches.index(True)
name = known_face_names[first_match_index]
# Yüzün etrafına以上就是Python脚本中TensorFlow GPU加速配置指南的详细内容，更多请关注php中文网其它相关文章！
每个人都需要一台速度更快、更稳定的 PC。随着时间的推移，垃圾文件、旧注册表数据和不必要的后台进程会占用资源并降低性能。幸运的是，许多工具可以让 Windows 保持平稳运行。
广告Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号
437
收藏
