本文旨在解决python脚本中tensorflow默认运行于cpu而非gpu的问题。我们将详细介绍如何检查tensorflow与cuda/cudnn的兼容性，并通过配置tensorflow运行时参数，特别是启用gpu内存增长策略，确保模型训练和推理能够充分利用gpu的强大计算能力，从而显著提升性能。
在开发涉及深度学习或大量数值计算的Python应用程序时，利用图形处理器（GPU）的并行计算能力对于提升性能至关重要。然而，有时即使系统已正确安装了CUDA和cuDNN，TensorFlow仍可能默认在CPU上运行，导致程序执行缓慢。本文将提供一套专业的教程，指导您如何确保TensorFlow正确识别并利用GPU资源。
1. 前期准备与兼容性检查
在尝试配置TensorFlow使用GPU之前，首先需要确认以下几个关键点：
CUDA Toolkit 和 cuDNN 的安装与配置： 确保您的系统已安装了兼容的CUDA Toolkit和cuDNN库。这些是TensorFlow与NVIDIA GPU通信的底层驱动和加速库。
-
TensorFlow 版本兼容性： TensorFlow的不同版本对CUDA和cuDNN有特定的版本要求。请务必查阅TensorFlow官方文档，确认您安装的TensorFlow版本与您的CUDA Toolkit和cuDNN版本是兼容的。版本不匹配是导致GPU无法被识别或利用的常见原因。
立即学习“Python免费学习笔记（深入）”；
-
验证GPU可用性： 在Python环境中，可以使用TensorFlow提供的工具函数进行初步验证。
import tensorflow as tf # 检查TensorFlow是否能检测到GPU设备 print("Num GPUs Available: ", len(tf.config.list_physical_devices('GPU'))) # 更直接的验证方法（在TensorFlow 2.x中不推荐直接使用is_gpu_available，但仍可作为快速检查） # print("Is GPU available (legacy check): ", tf.test.is_gpu_available())如果tf.config.list_physical_devices('GPU')返回的列表为空，或者tf.test.is_gpu_available()返回False，则表明TensorFlow未能正确识别GPU。此时，您需要重新检查CUDA、cuDNN的安装以及TensorFlow的版本兼容性。
2. 配置TensorFlow以利用GPU
即使GPU已被检测到，TensorFlow在默认情况下也可能不会立即完全利用它，尤其是在内存分配方面。为了优化GPU使用并避免潜在的内存问题，建议进行以下配置：
2.1 启用GPU内存增长
TensorFlow默认会在运行时一次性分配几乎所有可用的GPU内存，这可能导致其他应用程序无法使用GPU，或者在多GPU环境下造成资源浪费。通过启用“内存增长”（memory growth）功能，TensorFlow将只在需要时分配GPU内存，并随着程序运行动态增长，从而更高效地利用资源。
将以下代码片段放置在您的Python脚本中，紧随import tensorflow语句之后：
import tensorflow as tf
# 获取所有可用的物理GPU设备
physical_devices = tf.config.list_physical_devices('GPU')
if physical_devices:
try:
# 遍历所有GPU设备并启用内存增长
for gpu in physical_devices:
tf.config.experimental.set_memory_growth(gpu, True)
print(f"TensorFlow已成功配置GPU内存增长。检测到GPU设备: {physical_devices}")
except RuntimeError as e:
# 内存增长必须在GPU初始化之前设置
print(f"配置GPU内存增长时发生错误: {e}")
else:
print("未检测到GPU设备。TensorFlow将运行在CPU上。")
# 您的模型加载和处理代码...
# model = load_model('model_1.h5')
# ...代码解释：
- tf.config.list_physical_devices('GPU')：此函数返回一个列表，其中包含TensorFlow检测到的所有物理GPU设备对象。
- tf.config.experimental.set_memory_growth(gpu, True)：对于列表中的每一个GPU设备，此函数将其内存增长模式设置为True。这意味着TensorFlow不会预先分配所有GPU内存，而是根据需要动态分配。
- try...except RuntimeError：内存增长设置必须在TensorFlow与GPU进行任何操作（如创建变量、模型加载等）之前完成。如果在GPU已被初始化后尝试设置，将抛出RuntimeError。因此，将其放置在脚本开头，import tensorflow之后立即执行是最佳实践。
3. 将配置集成到您的脚本中
在您的实际Python脚本中，例如进行人脸识别和情感分析的应用程序，您需要确保上述GPU配置代码在任何TensorFlow或Keras模型加载和使用之前执行。
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通常在Keras之前导入
# --- GPU 配置代码开始 ---
physical_devices = tf.config.list_physical_devices('GPU')
if physical_devices:
try:
for gpu in physical_devices:
tf.config.experimental.set_memory_growth(gpu, True)
print(f"TensorFlow已成功配置GPU内存增长。检测到GPU设备: {physical_devices}")
except RuntimeError as e:
print(f"配置GPU内存增长时发生错误: {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")
# ... (其他UI和OpenCV初始化代码) ...
# Eğitilmiş duygu analizi modelini yükle
# 此处加载模型，如果GPU配置成功，Keras/TensorFlow将尝试在GPU上加载和运行模型
model = load_model('model_1.h5')
label_dict = {0: 'Kizgin', 1: 'İgrenme', 2: 'Korku', 3: 'Mutlu', 4: 'Notr', 5: 'Uzgun', 6: 'Saskin'}
# ... (后续的视频流处理、人脸检测、情感分析和人脸匹配逻辑) ...
# 确保在TensorFlow模型进行推理时（如 model.predict(face_img_array)），GPU正在工作。
# ...4. 验证GPU使用情况
配置完成后，您可以通过以下方式验证TensorFlow是否正在使用GPU：
- 观察终端输出： 如果配置成功，您应该会看到类似TensorFlow已成功配置GPU内存增长。检测到GPU设备: [...]的输出。
- 系统监控工具： 使用NVIDIA提供的nvidia-smi命令行工具（在Linux/macOS）或任务管理器（在Windows）来监控GPU的使用率和内存占用。当您的脚本运行时，如果GPU被正确利用，您会看到GPU利用率和显存占用显著增加。
-
TensorFlow日志： TensorFlow在运行时会输出详细的日志信息，其中可能包含关于设备分配和操作执行的信息。您可以设置日志级别以获取更多细节：
import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '0' # 设置为'0'以显示所有日志信息
在输出中查找类似_DeviceAttributes或PhysicalDevice等字样，确认操作是否被分配到/job:localhost/replica:0/task:0/device:GPU:0等GPU设备上。
总结
通过遵循上述步骤，您可以有效地诊断并解决Python脚本中TensorFlow无法使用GPU的问题。关键在于确保TensorFlow版本与CUDA/cuDNN的兼容性，并通过tf.config.experimental.set_memory_growth(gpu, True)启用GPU内存增长策略。这不仅能让您的深度学习任务获得显著的性能提升，还能优化GPU资源的利用，避免不必要的内存冲突。在进行任何计算密集型任务之前，务必进行这些配置，以充分发挥硬件的潜力。
