有些时候,我们希望可以通过自己指定一块或者几块GPU来训练我们的模型,而不是用这种系统默认的方法。接下来将介绍三种指定GPU训练的方法。
我们现有的GPU个数如下所示:
1.在python代码中通过tf.device()函数来指定训练时所要使用的GPU:
假设我们要用我们的第“1”块(注意,这里是以第“0”块为开始,第“1”块其实应该是第二块了)GPU来训练模型,此时可以通过下面的代码来指定:
tf.device('/gpu:1')
实验效果如下:
这里用AI_Challenger场景分类的baseline模型测试一下:
在python脚本代码里的最开头加上:
tf.device('/gpu:1')
在终端运行脚本:
我们可以看到,这样指定GPU还是有一点毛病的。
虽然指定了第“1“块GPU来训练,但是其它几个GPU也还是被占用,只是模型训练的时候,是在第1块GPU上进行。
所以,我们使用下面的第2、3种方法。
2.在python代码中通过CUDA_VISIBLE_DEVICES来指定:
同样使用第”1“块GPU来训练模型,我们可以在python代码开头加入下面两行:
-
import os
-
os.environ[
'CUDA_VISIBLE_DEVICES']=
'1'
实验效果如下:
在python脚本代码里的最开头加上:
在终端运行脚本:
我们可以看到,使用这种方法,在训练模型时,只使用了第”1“块GPU,并且其它几块GPU没有被占用。
这种就相当于在我们运行程序的时候,将除第”1“块以外的其他GPU全部屏蔽了,只有第”1“块GPU对当前运行的程序是可见的。
同样,如果要指定第”1,2“块GPU来训练,则上面的代码可以改成:
-
import os
-
os.environ[
'CUDA_VISIBLE_DEVICES']=
'2,3'
类似的如果还有更多的GPU要指定,都可以仿照上面的代码进行添加,——显卡数字中间用英文逗号隔开即可。
3.在终端执行.py文件时通过CUDA_VISIBLE_DEVICES来指定(与2类似):
第三种方法和第二种基本一样,不过是在终端运行python程序的前面指定,比如:
CUDA_VISIBLE_DEVICES=1 python train.py
不过其实道理、实现的功能就和上面2基本是一样的。
实验效果如下:
在终端运行脚本:
前面加上CUDA_VISIBLE_DEVICES=1