电脑有GPU,安装tensorflow-GPU后运行代码,GPU利用率基本为0,而CPU利用流程占满了

注意:若程序刚开始运行以下代码时,结果显示无可用GPU,无其他毛病(如tensorflow版本和cuda,cudnn版本不对应,电脑无可用GPU等)前提下,应将程序关闭重启,之后再运行下面的代码,看结果是否显示可用GPU。
1:进入anoconda prompt,输入以下代码,如果结果是True,表示GPU可用,若为Flase,无GPU可用。

import tensorflow as tf
print(tf.test.is_gpu_available())

2:用如下代码可以查看cpu,gpu配置情况:

from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())

指定使用显卡:

import os
os.environ["CUDA_VISIBLE_DEVICES"] = "0,1" 

在这里插入图片描述
我电脑上的程序刚开始运行时一直显示没有GPU,也在网上找了好多方法,最后没办法重启了一次程序,结果好使了。上图就是重启之后的结果。
在这里插入图片描述
这是调用GPU时,GPU的使用情况,可以看到利用率较低,尝试增大GPU利用率。

  • 2
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
TensorFlowGPU环境下运行时,如果内存占满了但GPU利用率很低,可能由以下几个原因引起: 1. 数据传输瓶颈:GPU内存占满表示数据量较大,但低GPU利用率可能是由于数据传输过程中出现瓶颈。当数据从主内存传输到GPU内存时,传输速度可能变慢,导致GPU等待更多数据到达。这可能是由于数据加载和预处理阶段出现的问题。可以通过优化数据加载和预处理的方式来减少数据传输的时间,增加GPU利用率。 2. 模型设计问题:低GPU利用率可能意味着模型设计存在问题。模型的计算量不足以使GPU充分工作。可以通过增加模型的复杂度、加入更多的层或增加神经元的数量来增加计算量,从而提高GPU利用率。 3. 算法问题:如果算法设计不够高效,可能会导致低GPU利用率。一些操作可能会导致计算效率低下,从而限制GPU利用率。可以通过使用更高效的操作或并行计算等方式来改进算法,提高GPU利用率。 4. GPU性能不足:低GPU利用率也可能是由于GPU性能不足而引起的。如果GPU的计算能力较低或者与模型的需求不匹配,可能导致低GPU利用率。可以尝试使用更强大的GPU设备或者优化模型以适应当前的GPU设备。 综上所述,当TensorFlowGPU环境下内存占满GPU利用率很低时,应综合考虑以上可能的原因,并根据具体情况进行优化,以提高GPU利用率

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值