深度学习跑模型,关于电脑出现GPU0和1?

不知道有没有小伙伴出现过这样的困扰?
笔记本电脑打开任务管理器后,发现自己的游戏本明明是独立显卡,比如我的RTX4060,特别是在跑深度学习模型时,指定device为cuda:0,进程中显示独显GPU1没什么利用率,而核显一直在很高的利用?甚至代码还会报错,提示没有可用的CUDA?
在这里插入图片描述
其实,笔记本电脑和台式机的工作模式不完全一样。
台式机:是独立显卡加载完图像,直接送到显示器;
而笔记本会是:独立显卡–>核显–>最后才会到显示器。
那这样的话,你的爱机的性能当然受影响啦!
我自己的拯救者Y9000P买回来就是觉得哪里不丝滑,原来问题就出在这里。
在LEGION ZONE中开启独显直连功能后(每个品牌的不一样):
在这里插入图片描述

可以看到只有一个独立显卡作为GPU0在工作了。
在这里插入图片描述

  • 19
    点赞
  • 20
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 9
    评论
深度学习对计算机配置有一定的要求,以下是一般推荐的深度学习电脑配置: 1. GPU深度学习中常用的计算密集型任务可以受益于GPU加速。推荐使用NVIDIA的GPU,如GeForce系列或Tesla系列。较新的GPU通常具有更好的性能和更多的显存,这对于处理大规模数据和复杂模型很重要。 2. 内存(RAM):深度学习模型通常需要大量的内存来存储模型参数和中间计算结果。至少建议使用16GB或更多的内存,但对于大型模型和大规模数据集,32GB或更多的内存可能会更好。 3. 处理器(CPU):虽然GPU深度学习任务的主要计算设备,但CPU仍然承担着一些任务,如数据预处理、模型加载和训练过程中的一些计算。较新且高性能的多核处理器(如Intel Core i7或更高级别)可以提高整体性能。 4. 存储:深度学习需要大量的存储空间来存储数据集、模型和训练过程中的中间结果。建议使用SSD固态硬盘,它们提供更快的读写速度,加快了数据加载和保存的速度。 5. 其他硬件:除了上述组件,还需要一个稳定的电源供应和足够的散热系统,以确保计算机在高负载下运行时保持稳定且不过热。 此外,为了更好地利用硬件资源,建议在深度学习中使用适当的软件和工具,如CUDA和cuDNN来加速GPU计算,以及深度学习框架(如TensorFlow、PyTorch等)来简化模型的构建和训练过程。 总之,深度学习对计算机配置有一定要求,较新且性能良好的GPU、足够的内存和存储空间是常见的需求。根据具体任务的规模和需求,可以根据上述建议进行配置。
评论 9
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

打赏作者

Andrew_Xzw

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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