使用Keras训练Sequential模型时如何限制CPU使用率至80%

Keras（默认以TensorFlow为后端）会默认占用全部可用CPU资源，导致使用率拉满。以下是两种可靠的解决方案：

方法1：通过TensorFlow配置限制线程数 #

直接在TensorFlow层面控制运算线程数，从根源上减少CPU占用：

在导入库后、模型初始化前添加以下配置（根据你的CPU核心数调整线程数，例如8核CPU设为6-7，即可将使用率控制在80%左右）：

import tensorflow as tf

# 设置 intra-op 和 inter-op 线程数
tf.config.threading.set_intra_op_parallelism_threads(6)
tf.config.threading.set_inter_op_parallelism_threads(6)

如果使用TensorFlow 1.x兼容模式，可改用Session配置：

from tensorflow.compat.v1 import ConfigProto, InteractiveSession

config = ConfigProto()
config.intra_op_parallelism_threads = 6
config.inter_op_parallelism_threads = 6
session = InteractiveSession(config=config)

方法2：系统层面限制进程CPU使用率 #

如果框架层面的设置效果不佳，可通过系统工具或Python库直接限制进程资源：

方式A：用psutil库动态限制 #

安装psutil：pip install psutil，然后在代码中添加进程限制逻辑：

import psutil

# 获取当前训练进程
p = psutil.Process()
# 绑定进程到指定CPU核心（示例：8核CPU绑定前6个核心，使用率约75-80%）
p.cpu_affinity([0,1,2,3,4,5])
# 可选：降低进程优先级，减少CPU抢占
p.nice(psutil.BELOW_NORMAL_PRIORITY_CLASS)

方式B：Linux系统用taskset命令启动脚本 #

直接在启动Python脚本时绑定CPU核心，无需修改代码：

# 示例：绑定到0-5号CPU核心
taskset -c 0-5 python your_training_script.py

修改后的完整训练代码示例 #

import tensorflow as tf
import psutil
from sklearn.metrics import accuracy_score
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

# 配置TensorFlow线程数
tf.config.threading.set_intra_op_parallelism_threads(6)
tf.config.threading.set_inter_op_parallelism_threads(6)

# 设置进程CPU亲和性
p = psutil.Process()
p.cpu_affinity([0,1,2,3,4,5])

def get_model(n_inputs, n_outputs):
  model = Sequential()
  model.add(Dense(2500, input_dim=n_inputs, kernel_initializer='he_uniform',activation='relu'))
  model.add(Dense(n_outputs, activation='sigmoid'))
  model.compile(loss='binary_crossentropy', optimizer='adam')
  return model

def train_model(X, y):
  results = list()
  n_inputs, n_outputs = X.shape[1], y.shape[1]
  model = get_model(n_inputs, n_outputs)
  model.fit(X, y, verbose=1, epochs=100)
  yhat = model.predict(X)
  yhat = yhat.round()
  acc = accuracy_score(y, yhat)
  print('>%.3f' % acc)
  results.append(acc)
  return model,results

model,results = train_model(X, y)

注意事项 #

• 线程数/核心数需根据实际CPU配置调整：例如4核CPU设为3个核心，使用率可控制在75%左右，接近80%的目标。
• 若使用GPU训练，TensorFlow会自动将核心运算转移到GPU，CPU使用率会自然下降，无需额外限制。
• psutil.cpu_affinity支持Windows、Linux多平台，taskset仅适用于Linux系统。

内容的提问来源于stack exchange，提问作者Ankit Bijlwan