Перенос модели LSTM с процессора на графический процессор

У меня есть очень простая модель LSTM, которую я построил в тензорном потоке, и она работает на процессоре. Однако я хочу использовать эту модель на графическом процессоре. Для pytorch я определил устройство и т. д., Однако для tensorflow я понятия не имею, почему он не может работать. У вас есть какие-нибудь предложения для меня? Спасибо

model = Sequential()
model.add(LSTM(64, activation='relu', input_shape=(X_train.shape[1], X_train.shape[2]), return_sequences=True))
model.add(LSTM(32, activation='relu', return_sequences=False))
model.add(Dropout(0.1))
model.add(Dense(Y_train.shape[1], kernel_regularizer='l2'))
callback = tf.keras.callbacks.EarlyStopping(monitor='loss', patience=50)
opt = keras.optimizers.Adam(learning_rate=0.0008)
model.compile(optimizer=opt, loss='mse')
#model.summary()
history = model.fit(X_train, Y_train, epochs=2, batch_size=100, validation_data=(X_val, Y_val), callbacks=[callback],verbose=1, device).to(device)

Какую версию Tensroflow вы установили tensorflow или tensorflow-gpu?

Vasyl Vaskivskyi 03.05.2022 02:28

Я использую тензорный поток.

Sadcow 03.05.2022 05:02

Вместо этого попробуйте установить tensorflow-gpu, чтобы выполнять вычисления на графическом процессоре.

Vasyl Vaskivskyi 03.05.2022 11:47
Почему в Python есть оператор "pass"?
Почему в Python есть оператор "pass"?
Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.
Некоторые методы, о которых вы не знали, что они существуют в Python
Некоторые методы, о которых вы не знали, что они существуют в Python
Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...
Основы Python Часть I
Основы Python Часть I
Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:
Оптимизация кода с помощью тернарного оператора Python
Оптимизация кода с помощью тернарного оператора Python
И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это
Советы по эффективной веб-разработке с помощью Python
Советы по эффективной веб-разработке с помощью Python
Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.
0
3
46
1
Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

Для тензорного потока модели по умолчанию запускаются для вычислений на графическом процессоре. Это указано в их официальной документации.

Есть ли какая-то ошибка, которая появляется при запуске вашей модели? Потому что это должно отлично работать при работе на графическом процессоре, а не на процессоре.

Спасибо. На самом деле, основываясь на вашем комментарии, я снова проверил модель. Это дает мне ошибку (такая же метрика уже существует) относительно '#callback = tf.keras.callbacks.EarlyStopping(monitor='loss', терпение=50) #opt = python.keras.optimizers.Adam(learning_rate=0.0008)' Эта часть кода. Итак, когда я комментирую эти строки, это работает.

Sadcow 02.05.2022 21:02

Другие вопросы по теме