我目前正在嘗試找到一種有效的方法，使用tensorflow. 根據我發現的信息，有兩種主要方法可以做到這一點。第一個是使用兩個 tensorflow 變量 intra_op_parallelism_threads 和 inter_op_parallelism_threads，然后使用此配置創建會話。第二個是使用OpenMP. 設置環境變量OMP_NUM_THREADS允許操作為進程生成的線程數量。當我發現通過 conda 和通過 pip 安裝 tensorflow 提供了兩種不同的環境時，我的問題就出現了。在conda install修改OpenMP環境變量時似乎改變了進程并行化的方式，而在“pip 環境”中似乎唯一改變它的是我之前提到的 inter/intra 配置變量。由于基準測試的原因，這導致在嘗試比較兩個安裝時遇到一些困難。如果我OMP_NUM_THREADS在 48 核處理器上設置為 1 和 inter/intra 為 16，conda install我只能得到大約 200% 的 CPU 使用率，因為大多數線程在任何給定時間都是空閑的。omp_threads = 1mkl_threads = 1os.environ["OMP_NUM_THREADS"] = str(omp_threads)os.environ["MKL_NUM_THREADS"] = str(mkl_threads)config = tf.ConfigProto()config.intra_op_parallelism_threads = 16config.inter_op_parallelism_threads = 16session = tf.Session(config=config)K.set_session(session)我希望這段代碼會產生 32 個線程，其中大部分線程在任何給定時間都在使用，而實際上它會產生 32 個線程并且一次只使用 4-5 個線程。在使用 tensorflow 之前，有沒有人遇到過類似的情況？為什么通過 conda 和通過 pip 安裝似乎會給出兩種不同的環境？通過使用前面討論的兩種方法的某種組合，是否有任何方法可以在兩次安裝上獲得可比的性能？最后，是否有更好的方法將 python 限制為特定數量的核心？