hexo-generator

4.2 KiB

Raw Blame History

title	date	updated	tags	categories	keywords	description	top_img	comments	cover	toc	toc_number	toc_style_simple	copyright	copyright_author	copyright_author_href	copyright_url	copyright_info	mathjax	katex	highlight_shrink	aside
Tensorflow中的GPU配置及内存分配	2020-11-15 15:12:58	2021-05-30 09:13:45	<nil>	<nil>	<nil>	<nil>	<nil>	<nil>	<nil>	<nil>	<nil>	<nil>	ruoneo	<nil>	<nil>	<nil>	<nil>	<nil>	<nil>	<nil>	<nil>

Nvidia-smi

nvidia-sim简称NVSMI，提供监控GPU使用情况和更改GPU状态的功能。这个工具是N卡驱动附带的。smi(System management interface)。

更详细的介绍：https://blog.csdn.net/C_chuxin/article/details/82993350

CMD中输入:

nvidia-smi

GPU：本机中的GPU编号（有多块显卡的时候，从0开始编号）图上GPU的编号是：0
Fan：风扇转速（0%-100%），N/A表示没有风扇
Name：GPU类型，图上GPU的类型是：Tesla T4
Temp：GPU的温度（GPU温度过高会导致GPU的频率下降）
Perf：GPU的性能状态，从P0（最大性能）到P12（最小性能），图上是：P0
Persistence-M：持续模式的状态，持续模式虽然耗能大，但是在新的GPU应用启动时花费的时间更少，图上显示的是：off
Pwr：Usager/Cap：能耗表示，Usage：用了多少，Cap总共多少
Bus-Id：GPU总线相关显示，domain：bus：device.function
Disp.A：Display Active ，表示GPU的显示是否初始化
Memory-Usage：显存使用率
Volatile GPU-Util：GPU使用率
Uncorr. ECC：关于ECC的东西，是否开启错误检查和纠正技术，0/disabled,1/enabled
Compute M：计算模式，0/DEFAULT,1/EXCLUSIVE_PROCESS,2/PROHIBITED
Processes：显示每个进程占用的显存使用率、进程号、占用的哪个GPU

隔几秒刷新一下显存状态：nvidia-smi -l 秒数

隔两秒刷新一下GPU的状态：nvidia-smi -l 2

tensorflow的显卡使用方式

1、直接使用

这种方式会把当前机器上所有的显卡的剩余显存基本都占用，注意是机器上所有显卡的剩余显存。

with tf.compat.v1.Session() as sess:
    # 输入图片为256x256，2个分类
    shape, classes = (224, 224, 3), 20
    # 调用keras的ResNet50模型
    model = keras.applications.resnet50.ResNet50(input_shape = shape, weights=None, classes=classes)
    model.compile(optimizer="adam", loss="sparse_categorical_crossentropy", metrics=["accuracy"])

    # 训练模型 categorical_crossentropy sparse_categorical_crossentropy
    # training = model.fit(train_x, train_y, epochs=50, batch_size=10)
    model.fit(train_x,train_y,validation_data=(test_x, test_y), epochs=20, batch_size=6,verbose=2)
    # # 把训练好的模型保存到文件
    model.save('resnet_model_dog_n_face.h5')

2、分配比例使用

from tensorflow.compat.v1 import ConfigProto# tf 2.x的写法
config =ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction=0.6
with tf.compat.v1.Session(config=config) as sess:
     model = keras.applications.resnet50.ResNet50(input_shape = shape, weights=None, classes=classes)

3. 动态申请使用

这种方式是动态申请显存的，只会申请内存，不会释放内存。而且如果别人的程序把剩余显卡全部占了，就会报错。

config = tf.compat.v1.ConfigProto()
config.gpu_options.allow_growth = True
session = tf.compat.v1.InteractiveSession(config=config)
with tf.compat.v1.Session(config=config) as sess:
     model

4 指定GPU

在有多块GPU的服务器上运行tensorflow的时候，如果使用python编程，则可指定GPU，代码如下：

import os
os.environ["CUDA_VISIBLE_DEVICES"] = "2"

os.environ["CUDA_VISIBLE_DEVICES"]="-1"    CPU模式


CUDA_VISIBLE_DEVICES=1    Only device 1 will be seen
CUDA_VISIBLE_DEVICES=0,1    Devices 0 and 1 will be visible
CUDA_VISIBLE_DEVICES="0,1"    Same as above, quotation marks are optional
CUDA_VISIBLE_DEVICES=0,2,3    Devices 0, 2, 3 will be visible; device 1 is masked

另一种方案-给指定的Session分配单独的GPU

用 tf.device('/gpu:1') 指定Session在第二块GPU上运行。    
tensorflow中不同的GPU使用`/gpu:0`和`/gpu:1`区分，
CPU不区分设备号，表示为`/cpu:0`。

未完待续...

4.2 KiB Raw Blame History