這篇文章給大家分享的是有關(guān)Tensorflow如何設(shè)置多線程的內(nèi)容。小編覺得挺實(shí)用的，因此分享給大家做個(gè)參考，一起跟隨小編過來看看吧。

成都創(chuàng)新互聯(lián)公司是網(wǎng)站建設(shè)專家,致力于互聯(lián)網(wǎng)品牌建設(shè)與網(wǎng)絡(luò)營銷，專業(yè)領(lǐng)域包括成都做網(wǎng)站、成都網(wǎng)站設(shè)計(jì)、電商網(wǎng)站制作開發(fā)、小程序設(shè)計(jì)、微信營銷、系統(tǒng)平臺(tái)開發(fā)，與其他網(wǎng)站設(shè)計(jì)及系統(tǒng)開發(fā)公司不同，我們的整合解決方案結(jié)合了恒基網(wǎng)絡(luò)品牌建設(shè)經(jīng)驗(yàn)和互聯(lián)網(wǎng)整合營銷的理念，并將策略和執(zhí)行緊密結(jié)合，且不斷評(píng)估并優(yōu)化我們的方案，為客戶提供全方位的互聯(lián)網(wǎng)品牌整合方案！

一. 通過 ConfigProto 設(shè)置多線程

在進(jìn)行 tf.ConfigProto() 初始化時(shí)，可以通過設(shè)置相應(yīng)的參數(shù)，來控制每個(gè)操作符 op 并行計(jì)算的線程個(gè)數(shù)或 session 線程池的線程數(shù)。主要涉及的參數(shù)有以下三個(gè):

1. intra_op_parallelism_threads 控制運(yùn)算符op內(nèi)部的并行
當(dāng)運(yùn)算符 op 為單一運(yùn)算符，并且內(nèi)部可以實(shí)現(xiàn)并行時(shí)，如矩陣乘法，reduce_sum 之類的操作，可以通過設(shè)置 intra_op_parallelism_threads 參數(shù)來并行。

2. inter_op_parallelism_threads 控制多個(gè)運(yùn)算符op之間的并行計(jì)算
當(dāng)有多個(gè)運(yùn)算符 op，并且他們之間比較獨(dú)立，運(yùn)算符和運(yùn)算符之間沒有直接的路徑 Path 相連。Tensorflow會(huì)嘗試并行地計(jì)算他們，使用由 inter_op_parallelism_threads 參數(shù)來控制數(shù)量的一個(gè)線程池。
在第一次創(chuàng)建會(huì)話將設(shè)置將來所有會(huì)話的線程數(shù)，除非是配置了 session_inter_op_thread_pool 選項(xiàng)。

3. session_inter_op_thread_pool 配置會(huì)話線程池。
如果會(huì)話線程池的 num_threads 為 0，使用 inter_op_parallelism_threads 選項(xiàng)。

二. 通過隊(duì)列進(jìn)行數(shù)據(jù)讀取時(shí)設(shè)置多線程

1. 通過以下函數(shù)進(jìn)行樣本批處理時(shí)，可以通過設(shè)置 num_threads 來設(shè)置單個(gè) Reader 多線程讀取

1) batch(tensors, batch_size, num_threads=1, capacity=32,
enqueue_many=False, shapes=None, dynamic_pad=False,
allow_smaller_final_batch=False, shared_name=None, name=None)

2) maybe_batch(tensors, keep_input, batch_size, num_threads=1, capacity=32,
enqueue_many=False, shapes=None, dynamic_pad=False,
allow_smaller_final_batch=False, shared_name=None, name=None)

3) shuffle_batch(tensors, batch_size, capacity, min_after_dequeue,
num_threads=1, seed=None, enqueue_many=False, shapes=None,
allow_smaller_final_batch=False, shared_name=None, name=None)

4) maybe_shuffle_batch(tensors, batch_size, capacity, min_after_dequeue,
keep_input, num_threads=1, seed=None,
enqueue_many=False, shapes=None,
allow_smaller_final_batch=False, shared_name=None,
name=None)

例：

import tensorflow as tf 
 
 
filenames = ['A.csv', 'B.csv', 'C.csv'] 
# 生成一個(gè)先入先出隊(duì)列和一個(gè) QueueRunner，生成文件名隊(duì)列 
filename_queue = tf.train.string_input_producer(filenames, shuffle=False) 
 
 
# 定義 Reader 和 Decoder
reader = tf.TextLineReader() 
key, value = reader.read(filename_queue) 
example, label = tf.decode_csv(value, record_defaults=[['null'], ['null']])
 
 
# 使用tf.train.batch() 會(huì)為 graph 添加一個(gè)樣本隊(duì)列和一個(gè) QueueRunner。 
# 經(jīng)過 Reader 讀取文件和 Decoder 解碼后數(shù)據(jù)會(huì)進(jìn)入這個(gè)隊(duì)列，再批量出隊(duì)。
# tf.train.batch() 這里只有一個(gè) Reader，可以設(shè)置多線程
 
example_batch, label_batch = tf.train.batch([example, label], batch_size=5) 
 
 
with tf.Session() as sess: 
  coord = tf.train.Coordinator() 
  threads = tf.train.start_queue_runners(coord=coord) 
  for i in range(10): 
    e_val,l_val = sess.run([example_batch,label_batch]) 
    print e_val,l_val 
  coord.request_stop() 
  coord.join(threads)

2. 通過以下函數(shù)進(jìn)行樣本批處理時(shí)，可以通過設(shè)置 Decoder 和 Reader 的個(gè)數(shù)來設(shè)置多 Reader 讀取，其中每個(gè) Reader 使用一個(gè)線程

1) batch_join(tensors_list, batch_size, capacity=32, enqueue_many=False,
shapes=None, dynamic_pad=False, allow_smaller_final_batch=False,
shared_name=None, name=None):

2) maybe_batch_join(tensors_list, keep_input, batch_size, capacity=32,
  enqueue_many=False, shapes=None, dynamic_pad=False,
  allow_smaller_final_batch=False, shared_name=None,
  name=None)

3) shuffle_batch_join(tensors_list, batch_size, capacity,
min_after_dequeue, seed=None, enqueue_many=False,
shapes=None, allow_smaller_final_batch=False,
shared_name=None, name=None)

4) maybe_shuffle_batch_join(tensors_list, batch_size, capacity,
  min_after_dequeue, keep_input, seed=None,
  enqueue_many=False, shapes=None,
  allow_smaller_final_batch=False, shared_name=None,
  name=None)

例：

import tensorflow as tf 
 
 
filenames = ['A.csv', 'B.csv', 'C.csv'] 
# 生成一個(gè)先入先出隊(duì)列和一個(gè) QueueRunner，生成文件名隊(duì)列
filename_queue = tf.train.string_input_producer(filenames, shuffle=False) 
 
 
# 定義 Reader
reader = tf.TextLineReader() 
key, value = reader.read(filename_queue) 
 
 
#定義了多個(gè) Decoder, 每個(gè) Decoder 跟一個(gè) Reader 相連, 即有多個(gè) Reader
example_list = [tf.decode_csv(value, record_defaults=[['null'], ['null']])
         for _ in range(2)] # Decoder 和 Reader 為 2
   
# 使用tf.train.batch_join() 會(huì)為 graph 添加一個(gè)樣本隊(duì)列和一個(gè) QueueRunner。 
# 經(jīng)過多個(gè) Reader 讀取文件和 Decoder 解碼后數(shù)據(jù)會(huì)進(jìn)入這個(gè)隊(duì)列，再批量出隊(duì)。   
# 使用 tf.train.batch_join(), 可以使用多個(gè) Reader 并行讀取數(shù)據(jù)。每個(gè) Reader 使用一個(gè)線程
example_batch, label_batch = tf.train.batch_join(example_list, batch_size=5) 
with tf.Session() as sess: 
  coord = tf.train.Coordinator() 
  threads = tf.train.start_queue_runners(coord=coord) 
  for i in range(10): 
    e_val,l_val = sess.run([example_batch,label_batch]) 
    print e_val,l_val 
  coord.request_stop() 
  coord.join(threads)

感謝各位的閱讀！關(guān)于“Tensorflow如何設(shè)置多線程”這篇文章就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，讓大家可以學(xué)到更多知識(shí)，如果覺得文章不錯(cuò)，可以把它分享出去讓更多的人看到吧！

另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時(shí)售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國服務(wù)器、虛擬主機(jī)、免備案服務(wù)器”等云主機(jī)租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡(jiǎn)單易用、服務(wù)可用性高、性價(jià)比高”等特點(diǎn)與優(yōu)勢(shì)，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場(chǎng)景需求。

文章標(biāo)題：Tensorflow如何設(shè)置多線程-創(chuàng)新互聯(lián)
本文來源：http://www.rwnh.cn/article10/iihdo.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站排名、網(wǎng)站內(nèi)鏈、網(wǎng)站設(shè)計(jì)公司、ChatGPT、企業(yè)建站、網(wǎng)站收錄

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源： 創(chuàng)新互聯(lián)