小编Dmi*_*sil的帖子

我创建了 3 个虚拟 GPU（有 1 个 GPU）并尝试加速图像的矢量化。但是，使用下面提供的代码并从文档（这里）中手动放置我得到了奇怪的结果：在所有 GPU 上的训练比在单个 GPU 上慢两倍。还要在具有 3 个物理 GPU 的机器上检查此代码（并删除虚拟设备初始化） - 工作方式相同。

环境：Python 3.6、Ubuntu 18.04.3、tensorflow-gpu 1.14.0。

代码（此示例创建 3 个虚拟设备，您可以在具有一个 GPU 的 PC 上对其进行测试）：

import os
import time
import numpy as np
import tensorflow as tf

start = time.time()

def load_graph(frozen_graph_filename):
    # We load the protobuf file from the disk and parse it to retrieve the
    # unserialized graph_def
    with tf.gfile.GFile(frozen_graph_filename, "rb") as f:
        graph_def = tf.GraphDef()
        graph_def.ParseFromString(f.read())

    # Then, we import the graph_def …

我正在尝试对误差条图的标记进行着色，而不对误差条线进行着色。

这是一个 MWE：

import matplotlib.pyplot as plt

x = [1, 2, 3, 4]
y = [1, 2, 3, 4]
dx = 0.1
dy = 0.1

plt.errorbar(x, y, xerr = dx, yerr = dy, marker = '.', 
             linestyle = ' ', color = 'black', capsize = 2,
             elinewidth = 0.5, capthick = 0.4, alpha = 0.8)

plt.savefig('MWE.pdf')
plt.show()

另外，如何在不改变倾覆的情况下摆脱标记边缘？如果我把markeredgewidth = 0在capsize被复位。

更新代码：

import matplotlib.pyplot as plt
import matplotlib

x = [1, 2, 3, 4]
y = …

我想使用多个 GPU 对图像运行矢量化（现在我的脚本只使用一个 GPU）。我有一个图像、图表和会话列表。脚本的输出是保存的向量。我的机器有 3 个 NVIDIA GPU。环境：Ubuntu、python 3.7、Tensorflow 2.0（支持 GPU）。这是我的代码示例（初始化会话）：

def load_graph(frozen_graph_filename):
     # We load the protobuf file from the disk and parse it to retrieve the
     # unserialized graph_def
     with tf.io.gfile.GFile(frozen_graph_filename, "rb") as f:
         graph_def = tf.compat.v1.GraphDef()
         graph_def.ParseFromString(f.read())
     # Then, we import the graph_def into a new Graph and returns it
     with tf.Graph().as_default() as graph:
         # The name var will prefix every op/nodes in your graph
         # Since we load everything in a new graph, this is not …