這篇文章給大家分享的是有關Tensorflow如何設置多線程的內容。小編覺得挺實用的，因此分享給大家做個參考，一起跟隨小編過來看看吧。

成都創新互聯公司是網站建設專家,致力于互聯網品牌建設與網絡營銷，專業領域包括成都做網站、成都網站設計、電商網站制作開發、小程序設計、微信營銷、系統平臺開發，與其他網站設計及系統開發公司不同，我們的整合解決方案結合了恒基網絡品牌建設經驗和互聯網整合營銷的理念，并將策略和執行緊密結合，且不斷評估并優化我們的方案，為客戶提供全方位的互聯網品牌整合方案！

一. 通過 ConfigProto 設置多線程

在進行 tf.ConfigProto() 初始化時，可以通過設置相應的參數，來控制每個操作符 op 并行計算的線程個數或 session 線程池的線程數。主要涉及的參數有以下三個:

1. intra_op_parallelism_threads 控制運算符op內部的并行
當運算符 op 為單一運算符，并且內部可以實現并行時，如矩陣乘法，reduce_sum 之類的操作，可以通過設置 intra_op_parallelism_threads 參數來并行。

2. inter_op_parallelism_threads 控制多個運算符op之間的并行計算
當有多個運算符 op，并且他們之間比較獨立，運算符和運算符之間沒有直接的路徑 Path 相連。Tensorflow會嘗試并行地計算他們，使用由 inter_op_parallelism_threads 參數來控制數量的一個線程池。
在第一次創建會話將設置將來所有會話的線程數，除非是配置了 session_inter_op_thread_pool 選項。

3. session_inter_op_thread_pool 配置會話線程池。
如果會話線程池的 num_threads 為 0，使用 inter_op_parallelism_threads 選項。

二. 通過隊列進行數據讀取時設置多線程

1. 通過以下函數進行樣本批處理時，可以通過設置 num_threads 來設置單個 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'] 
# 生成一個先入先出隊列和一個 QueueRunner，生成文件名隊列 
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() 會為 graph 添加一個樣本隊列和一個 QueueRunner。 
# 經過 Reader 讀取文件和 Decoder 解碼后數據會進入這個隊列，再批量出隊。
# tf.train.batch() 這里只有一個 Reader，可以設置多線程
 
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. 通過以下函數進行樣本批處理時，可以通過設置 Decoder 和 Reader 的個數來設置多 Reader 讀取，其中每個 Reader 使用一個線程

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'] 
# 生成一個先入先出隊列和一個 QueueRunner，生成文件名隊列
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 Decoder, 每個 Decoder 跟一個 Reader 相連, 即有多個 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() 會為 graph 添加一個樣本隊列和一個 QueueRunner。 
# 經過多個 Reader 讀取文件和 Decoder 解碼后數據會進入這個隊列，再批量出隊。   
# 使用 tf.train.batch_join(), 可以使用多個 Reader 并行讀取數據。每個 Reader 使用一個線程
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！關于“Tensorflow如何設置多線程”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，讓大家可以學到更多知識，如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！

另外有需要云服務器可以了解下創新互聯scvps.cn，海內外云服務器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務器、裸金屬服務器、高防服務器、香港服務器、美國服務器、虛擬主機、免備案服務器”等云主機租用服務以及企業上云的綜合解決方案，具有“安全穩定、簡單易用、服務可用性高、性價比高”等特點與優勢，專為企業上云打造定制，能夠滿足用戶豐富、多元化的應用場景需求。

文章標題：Tensorflow如何設置多線程-創新互聯
本文來源：http://vcdvsql.cn/article10/iihdo.html

成都網站建設公司_創新互聯，為您提供網站排名、網站內鏈、網站設計公司、ChatGPT、企業建站、網站收錄

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯