keras利用多張gpu進行有效率的訓練 由於實驗室電腦目前裝上了三張高效能的gpu，但為了讓keras跑起來符合他的效益，所以需要更改code 目前環境為keras配上tensorflow backend, python3 顯卡三張1080ti 原先我們的網路架構為Sequential架構(粗略的介紹) 所以每次的batch都是利用gpu接task的方式執行 也就是平均分配給每個gpu 那想當然全部的gpu就沒辦法好好的善用 所以我們要把batch slice成gpu的個數（有三片就切成三等份） 再把所有batch結果合併起來成為一個輸出，如此就會加快運算速度（當然也會有每個gpu的輸出限制） 利用下面的code把x切成（n_gpus)等份，注意此時的x並不是真正的數字而是tensor（也就是還沒run出來的值） def slice_batch (x, n_gpus, part) : sh = K.shape(x) L = sh[ 0 ] // n_gpus if part == n_gpus - 1 : return x[part * L:] return x[part * L:(part + 1 ) * L] 之後把model傳入下面的function就會把目前這個model加上（n_gpus)個lambda layer接上input 再把這些結果全部合併為輸出（並且以batch的axis合併） def to_multi_gpu (model, n_gpus= 3 ) : with tf.device( '/cpu:0' ): print(model.input_shape) x = Input(model.input_shape[ 1 :], name= "input" ) towers = [] for g in range(n_gpus): with tf.device( '/gpu:' + str(g)): slice_g = Lambda(slice_batch, lamb...