有人可以解释以下TensorFlow术语
inter_op_parallelism_threads
intra_op_parallelism_threads
或者,请提供正确解释来源的链接.
我通过改变参数进行了一些测试,但结果并不一致,无法得出结论.
我一直在尝试在CPU群集上运行keras，为此，我需要限制使用的内核数量（这是一个共享系统）。因此，为了限制内核数量，我着眼于这个答案。但是，这根本行不通。我尝试使用以下基本代码运行：
from keras.applications.vgg16 import VGG16
from keras import backend as K
import numpy as np
conf = K.tf.ConfigProto(device_count={'CPU': 1},
intra_op_parallelism_threads=2,
inter_op_parallelism_threads=2)
K.set_session(K.tf.Session(config=conf))
model = VGG16(weights='imagenet', include_top=False)
x = np.random.randn(1000, 224, 224, 3)
features = model.predict(x)
当我运行它并检查时htop，它将使用所有（128）逻辑核心。这是喀拉拉邦的错误吗？还是我做错了什么？
Keras说我的CPU支持SSE4.1和SSE4.2，因为我不是从二进制编译的，所以未使用它们。从二进制进行编译还会解决原始问题吗？
编辑：从UNIX计算机启动keras脚本时，我找到了一种解决方法：
taskset -c 0-23 python keras_script.py
这将在计算机的前24个内核上运行脚本。它可以工作，但是如果可以从keras / tensorflow中获得它仍然会很好。
我正在使用Tensorflow后端上的Keras在我的计算机上的非常庞大的数据集上训练LSTM模型。我的机器有16个核心。在训练模型时，我注意到所有核心的负载均低于40％。
我已经通过不同的渠道寻找解决方案，并尝试提供作为后端使用的内核。
config = tf.ConfigProto(device_count={"CPU": 16})
backend.tensorflow_backend.set_session(tf.Session(config=config))
即使那样，负载仍然相同。
这是因为模型很小。一个纪元大约需要5分钟。如果使用全核，则可以提高速度。
如何告诉Keras或Tensorflow使用完整的可用核，即16个核来训练模型。？
我经历了这些stackoverflow问题，并尝试了其中提到的解决方案。它没有帮助。