【深度学习高效小trick】使用指定的GPU(组)搞深度学习：CUDA_VISIBLE_DEVICES || os.environ[‘CUDA_VISIBLE_DEVICES‘]=‘1‘

目录

1. 命令讲解

2. 高效使用

---

大家使用的服务器中有多个GPU，而这个大服务器又在被很多人使用，比如你的课题组的同学。

为了资源合理分配，不占用别人正在使用的GPU，我们可以指定自己要使用的GPU组（也就是在你的代码中使用的某一个或某几个GPU），这样就很有效的避免了GPU的资源占用，实现资源的最大化，也不用因为占用特别大的GPU被课题组的“拉黑举报”了！HHH~~~

选择特定的GPU组运行程序可在程序运行命令前，如【train.py】开头部分使用如下命令：

CUDA_VISIBLE_DEVICES=0

0为服务器中的GPU编号，可以为0, 1, 2, 3等，表明对该程序LInux服务器可见的GPU编号。

1. 命令讲解

CUDA_VISIBLE_DEVICES=1     

【代码注释】我们设置服务器中只有编号为1的GPU组对程序是可见的。

在程序中，系统会对我们刚才设置的GPU组进行重新编号，从【0】开始。当我们在程序中【device】位置设置成【GPU 0】 ,那么，我们就会使用原服务器中的编号为1的GPU。

CUDA_VISIBLE_DEVICES=2,1,4 

【代码注释】我们设置服务器中只有编号为2、1、4三块GPU组成的GPU组对程序是可见的。

在程序中，系统会对我们刚才设置的GPU组进行重新编号，从【0】开始，一直到【2】结束。此时【0】对应的是原服务器中的编号为2的GPU，【1】对应的是原服务器中的编号为1的GPU，【2】对应的是原服务器中的编号为4的GPU。

当我们在程序中【device】位置设置成【GPU 1】，那么，我们就会使用原服务器中的编号为1的GPU。

【注意】系统给我们GPU组排列的顺序是从【0】开始，是对我们预先设置好的GPU组进行重排布。

2. 高效使用

临时使用代码设置：

【Linux端】CUDA_VISIBLE_DEVICES设置成你要使用GPU组

export CUDA_VISIBLE_DEVICES=1

【windows】 CUDA_VISIBLE_DEVICES设置成你要使用GPU组

set CUDA_VISIBLE_DEVICES=1

永久使用代码设置：

 【Linux端】

在~/.bashrc 的最后加上export CUDA_VISIBLE_DEVICES=1，然后source ~/.bashrc

【windows】 

打开【我的电脑】在环境变量设置的地方，直接添加就可以

 还有一种方法是在你的【train.py】文件里开头位置这代码

import os

下面加上下面的这句话：

os.environ['CUDA_VISIBLE_DEVICES']='1'

这句话的意思是，本次运行【train.py】文件使用的是第一块和第二块显卡，具体使用第几块就看自己的需求了。

最后的效果是这样的：

然后再次运行就可以了。

---

高效使用服务器的GPU的方法就到这结束了，欢迎关注蓝胖胖，咱们一起成长~~~