要在多个 GPU 上训练模型，可以在第一个 GPU 上创建一组变量并重复使用它们(通过 tf.variable_scope(tf.get_variable_scope(), reuse=device_num != 0))在其他 GPU 上，如 cifar10_multi_gpu_train .
但我遇到了 official CNN benchmarks在本地复制设置中，他们为每个 GPU 使用新的变量范围(通过 tf.variable_scope('v%s' % device_num))。由于所有变量都是随机初始化的，post init op用于将值从 GPU:0 复制到其他值。
这两种实现然后在 CPU 上平均梯度并反向传播结果(至少我是这么认为的，因为基准测试代码是神秘的:))——可能导致相同的结果。
这两种方法之间有什么区别，更重要的是什么更快？
谢谢。
最佳答案
不同之处在于，如果您要重复使用变量，则每次迭代都会从变量的原始位置向所有 GPU 广播变量，而如果您要复制变量，则不需要此广播，因此不共享应该会更快。
p>不共享的一个缺点是，某处的错误或数值不稳定更容易导致不同的 GPU 最终为每个变量提供不同的值。
关于python - Tensorflow 多 GPU 重用与复制？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/50277910/