1.GPU 占用率，利用率

輸入nvidia-smi來觀察顯卡的GPU內(nèi)存占用率（Memory-Usage），顯卡的GPU利用率（GPU-util）

GPU內(nèi)存占用率（Memory-Usage） 往往是由于模型的大小以及batch size的大小，來影響這個指標 顯卡的GPU利用率（GPU-util） 往往跟代碼有關(guān)，有更多的io運算，cpu運算就會導致利用率變低。

比如打印loss, 輸出圖像，等等

這個時候發(fā)現(xiàn)，有一塊卡的利用率經(jīng)常跳到1%，而其他三塊卡經(jīng)常維持在70%以上

2.原因分析

當沒有設(shè)置好CPU的線程數(shù)時，Volatile GPU-Util參數(shù)是在反復(fù)的跳動的，0%，20%，70%，95%，0%。

這樣停息1-2 秒然后又重復(fù)起來。其實是GPU在等待數(shù)據(jù)從CPU傳輸過來，當從總線傳輸?shù)紾PU之后，GPU逐漸起計算來，利用率會突然升高，但是GPU的算力很強大，0.5秒就基本能處理完數(shù)據(jù)，所以利用率接下來又會降下去，等待下一個batch的傳入。

因此，這個GPU利用率瓶頸在內(nèi)存帶寬和內(nèi)存介質(zhì)上以及CPU的性能上面。

最好當然就是換更好的四代或者更強大的內(nèi)存條，配合更好的CPU。

3.解決方法：

（1）為了提高利用率，首先要將num_workers（線程數(shù)）設(shè)置得體，4,8,16是幾個常選的幾個參數(shù)。本人測試過，將num_workers設(shè)置的非常大，例如，24，32,等，其效率反而降低，因為模型需要將數(shù)據(jù)平均分配到幾個子線程去進行預(yù)處理，分發(fā)等數(shù)據(jù)操作，設(shè)高了反而影響效率。當然，線程數(shù)設(shè)置為1，是單個CPU來進行數(shù)據(jù)的預(yù)處理和傳輸給GPU，效率也會低。其次，當你的服務(wù)器或者電腦的內(nèi)存較大，性能較好的時候，建議打開pin_memory打開，就省掉了將數(shù)據(jù)從CPU傳入到緩存RAM里面，再給傳輸?shù)紾PU上；為True時是直接映射到GPU的相關(guān)內(nèi)存塊上，省掉了一點數(shù)據(jù)傳輸時間。

（2） 另外的一個方法是，在PyTorch這個框架里面，數(shù)據(jù)加載Dataloader上做更改和優(yōu)化，包括num_workers（線程數(shù)），pin_memory，會提升速度。解決好數(shù)據(jù)傳輸?shù)膸捚款i和GPU的運算效率低的問題。在TensorFlow下面，也有這個加載數(shù)據(jù)的設(shè)置。

（3） 修改代碼（我遇到的問題）

每個iteration 都寫文件了，這個就會導致cpu 一直運算，GPU 等待

造成GPU利用率低還有其他原因

1. CPU數(shù)據(jù)讀取更不上：讀到內(nèi)存+多線程+二進制文件（比如tf record）

2. GPU溫度過高，使用功率太大：每次少用幾個GPU，降低功耗（但是多卡的作用何在？）

以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。

最新評論