使用张量流数据集利用 GPU

在数据训练期间，我的 GPU 利用率约为 40%，并且我清楚地看到基于 TensorFlow Profiler 的数据复制操作占用了大量时间（参见附图）。我认为“MEMCPYHtoD”选项正在将批次从 CPU 复制到 GPU，并阻止使用 GPU。有没有办法将数据预取到GPU？还是还有其他我没有看到的问题？

这是数据集的代码：

X_placeholder = tf.placeholder(tf.float32, data.train.X.shape)
y_placeholder = tf.placeholder(tf.float32, data.train.y[label].shape)

dataset = tf.data.Dataset.from_tensor_slices({"X": X_placeholder, 
                                              "y": y_placeholder})
dataset = dataset.repeat(1000)
dataset = dataset.batch(1000)
dataset = dataset.prefetch(2)
iterator = dataset.make_initializable_iterator()
next_element = iterator.get_next()

预取到单个 GPU:

• 考虑使用比以下更灵活的方法prefetch_to_device，例如通过显式复制到 GPUtf.data.experimental.copy_to_device(...)然后预取。这可以避免以下限制prefetch_to_device必须是管道中的最后一个转换，并且允许结合更多技巧来优化Dataset管道性能（e.g.通过重写线程池分布）。
• 尝试一下实验tf.contrib.data.AUTOTUNE预取选项，这允许tf.data运行时根据您的系统和环境自动调整预取缓冲区大小。

最后，你可能会做这样的事情：

dataset = dataset.apply(tf.data.experimental.copy_to_device("/gpu:0"))
dataset = dataset.prefetch(tf.contrib.data.AUTOTUNE)