Linux 后台指定 GPU 运行 python代码

最新推荐文章于 2024-04-17 21:31:09 发布
VIP文章 最新推荐文章于 2024-04-17 21:31:09 发布
阅读量4.2k 收藏 17
点赞数 3
分类专栏： python 文章标签： python linux
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_33799488/article/details/106222029
版权

首先使用cd xxx命令调到包含test1.py和test2.py的文件路径下，接着分别在两张卡上跑两个不同的程序，命令如下：

CUDA_VISIBLE_DEVICES=0 nohup python test1.py --Label -1 >nohup1.out 2>&1 &
CUDA_VISIBLE_DEVICES=1 nohup python test2.py --Label -2 >nohup2.out 2>&1 &

其中，CUDA_VISIBLE_DEVICES=0指定了程序所运行的 GPU（同时使用多张卡的话，可以CUDA_VISIBLE_DEVICES=0,1），nohup与&使得系统在后台执行该命令，>nohup1.out 2>&1 &使得标准输出重定向到指定文件中（默认为nohup.out），并使得标准出错重定向到标准输出。
可以用 nvidia-smi查看进行中的任务。

如果你要终止后台运行的进程，可以用kill -9 [PID]。

 

Johnny-222
关注
  • 3
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Linux下多GPU选择实验程序完整代码
11-13
Linux下多GPU选择实验程序完整代码，利用EGL ext提供的根据硬件创建display的方法，在多GPU系统下，实现选择不同的GPU进行绘制。 依赖EGL GL GLEW
Tensorflow GPU 1.0版本 Linux Ubuntu Python2.7
03-21
Tensorflow GPU 1.0版本 Linux Ubuntu Python2.7. 更多版本下载： https://pypi.python.org/pypi/tensorflow-gpu/1.0.0
设置CUDA_VISIBLE_DEVICES的方法
关于我的学习记录
12-05 3012
设置CUDA_VISIBLE_DEVICES的方法
【自用】python代码指定gpu显卡运行
qq_30317039的博客
02-24 486
查看占用（1秒刷新一次，也可以将1换成其它数字）
python cuda gpu 高性能运算 代码
11-15
python cuda gpu 高性能运算 代码
tensorflow使用指定gpu的方法
09-18
TensorFlow是一个基于数据流编程（dataflow programming）的符号数学系统，被广泛应用于各类机器学习，这篇文章主要介绍了tensorflow使用指定gpu的方法,需要的朋友可以参考下
pytorch配置双显卡，使用双显卡跑代码
m0_63092821的博客
06-12 4386
Linux系统，pytorch环境。
pytorch实现多gpu训练（单机多卡）
qq_43082542的博客
11-09 2180
采用nn.DataParallel实现多gpu训练 1、首先选择GPU训练，定义device，“cuda:0"代表起始的device_id为0，如果直接使用"cuda”，同样默认起始为0。 device = torch.device("cuda:0" if torch.cuda.is_available() else) 2、然后选择GPU的数量 if torch.cuda.device_count() > 1: model = nn.DataParallel(model, device_ids=[
linux服务器(gpu)注意事项
weixin_52767839的博客
06-11 584
一些linux服务器的应用总结，会一直更新
Linux 系统指定程序运行的显卡
weixin_43918046的博客
05-21 3301
一般租的服务器会有多张显卡，为了资源最大化利用同时运行程序，如果不指定显卡运行会导致多个程序抢占一张显卡运行，然后报错内存占满。 我们先查看系统有多少张显卡，每张显卡的运行状态： nvidia-smi 在终端输入上面的指令得到下面的结果，显示了系统安装的所有显卡和每张卡当前的状态，比如显卡0当前使用率为81%，已经比较接近占满了。 我们观察到1，2，3，4，5都没程序使用，于是指定其中几张，指令如下 CUDA_VISIBLE_DEVICES=3,4,1 python train.py 意思为同时用显卡
cuthon:一个用于选择第一个免费GPU并运行Python的简单工具
05-12
Cuthon Cuthon是一个简单的Python脚本，可避免在GPU上运行python程序时避免设置CUDA_VISIBLE_DEVICES。 该脚本将找到第一个未使用的GPU，然后照常运行该程序。 最简单的说： cuthon my_program.py 该工具旨在用于相当利基的用例：在具有多个GPU的交互式节点上运行python程序。 对于那些经常这样做的人，您可能不必再运行nvidia-smi，然后再设置CUDA_VISIBLE_DEVICES（运行python程序时），就可以放心了。 安装 用pip安装： pip install cuthon 用法 通常，像使用python一样使用cuthon。 cuthon启动python repl。 cuthon -V查看python版本号。 cuthon train_model.py运行您的程序。 有关可用的cuthon选项的帮
tensorflow-gpu测试代码-python
04-28
tensorflow-gpu测试代码 首先导入TensorFlow库； 使用tf.Session()创建一个会话对象，并启动TensorFlow运行时环境； 定义两个输入占位符（placeholder），分别表示待执行矩阵乘法操作的两个矩阵； 定义矩阵乘法操作，使用tf.matmul()函数进行计算； 输入矩阵数据，使用feed_dict参数将数据传递给占位符； 使用sess.run()方法执行矩阵乘法操作，得到计算结果； 使用print()输出计算结果； 最后调用sess.close()方法关闭会话。 如果你的电脑上有可用的GPU，并且已经成功安装了CUDA和cuDNN等GPU加速库，那么TensorFlow-GPU将自动使用GPU来进行计算，从而提高计算效率。
支持GPU的OpenCV-python代码
06-05
2、OpenCV-python支持CUDA，可以在GPU上运行，参考https://blog.csdn.net/REAL_liudebai/article/details/119356958 3、Python OpenCV配置CUDA以支持GPU加速 (不使用Visual Studio) 可以使用该OpenCV 库版本利用GPU...
Java开发从入门到精通（二十）：Java的面向对象编程OOP：异常处理
HACKONE的博客
04-15 873
Java无法为这个世界上全部的问题都提供异常类来代表，如果企业自己的某种问题，想通过异常来表示以便用异常来管理该问题，那就需要自己来定义异常类了。这段代码上层调用saveAge(223);，不会知道这个方法到底执行成功没有，因为这个方法没有返回值，如果要返回执行情况，要用一个异常对象封装这个问题// 需求:保存一个合法的年龄System.out.println("年龄被成功保存:" + age);} else {System.out.println("年龄非法!:");异常体系的两大阵营。
【Python基础】面向对象(ObjectOriteProgramming)
最新发布
weixin_46697247的博客
04-17 229
是程序开发的方法，将方法和属性封装在对象中，可以提高代码的重用型。print("扩展的内容")print("方法2"）print("方法1"）父类以及父类的父类的。
【Python基础】17.模块
weixin_41270232的博客
04-15 525
pyPython标识符全局变量、函数、类。
Python3-Cookbook(第九章) - 元编程Part2
weixin_37901366的博客
04-14 531
@File : 09-将装饰器定义为类.py# 执行被包装的函数funcelse:# self其实就指向被包装的函数-->return self.__wrapper__(args,kwargs)# 这也是为何要实现__call__,因为能够实现profiled()这种写法-->会执行__call__方法，而__call__方法## 返回的是对fun的调用# 为实例instance绑定fun@Profiled@Profileda = add。
LeetCode1题：两数之和（python3）
Zachos的博客
04-14 423
使用哈希表字典来查找，效率非常高。
怎么用GPU运行python代码
05-13
使用GPU运行Python代码需要安装CUDA和cuDNN等GPU相关的库，并且需要安装支持GPU的Python库，比如TensorFlow和PyTorch等。 以下是使用TensorFlow和PyTorch在GPU上运行Python代码的示例： 1. 使用TensorFlow在GPU上运行Python代码 ```python import tensorflow as tf # 指定使用GPU physical_devices = tf.config.list_physical_devices('GPU') tf.config.experimental.set_memory_growth(physical_devices[0], True) # 定义模型 model = tf.keras.Sequential([ tf.keras.layers.Dense(32, activation='relu', input_shape=(784,)), tf.keras.layers.Dense(10, activation='softmax') ]) # 编译模型 model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) # 加载数据 (x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data() # 数据预处理 x_train, x_test = x_train / 255.0, x_test / 255.0 # 训练模型 model.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test)) ``` 2. 使用PyTorch在GPU上运行Python代码 ```python import torch # 指定使用GPU device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") # 定义模型 model = torch.nn.Sequential( torch.nn.Linear(784, 32), torch.nn.ReLU(), torch.nn.Linear(32, 10), torch.nn.Softmax(dim=1) ) # 将模型放到GPU上 model.to(device) # 定义损失函数和优化器 criterion = torch.nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters()) # 加载数据 train_dataset = torchvision.datasets.MNIST(root='./data', train=True, transform=torchvision.transforms.ToTensor(), download=True) train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True) # 训练模型 for epoch in range(5): for i, (inputs, labels) in enumerate(train_loader): # 将数据放到GPU上 inputs, labels = inputs.to(device), labels.to(device) # 前向传播 outputs = model(inputs) loss = criterion(outputs, labels) # 反向传播和优化 optimizer.zero_grad() loss.backward() optimizer.step() ``` 需要注意的是，使用GPU运行Python代码需要确保你的电脑上有支持GPU的硬件设备（例如NVIDIA的显卡），并且安装了相应的驱动程序。

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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