快捷導(dǎo)航

檢測(cè)pytorch是否使用GPU的方法小結(jié)

更新時(shí)間：2023年12月01日 10:31:02 作者：歐二lord

pytorch在服務(wù)器上跑的很慢,nvidia-smi顯示GPU利用率一直是0%,所以本文總結(jié)了一些可以檢測(cè)深度學(xué)習(xí)算法是否在使用GPU的方法,需要的朋友可以參考下

利用gpustat或nvidia-smi實(shí)時(shí)監(jiān)控GPU使用率

安裝gpustat

apt install gpustat

啟動(dòng)gpustat

watch -n1 --color gpustat --color

每秒輸出實(shí)時(shí)監(jiān)測(cè)結(jié)果，如下圖：

也可利用nvidia-smi實(shí)時(shí)監(jiān)控，會(huì)顯示更多的參數(shù)

$ watch -n 1 nvidia-smi --query-gpu=index,gpu_name,memory.total,memory.used,memory.free,temperature.gpu,pstate,utilization.gpu,utilization.memory --format=csv

輸出torch對(duì)應(yīng)的設(shè)備

首先在python里檢查，也是大家用的最多的方式，檢查GPU是否可用（但實(shí)際并不一定真的在用）

torch.cuda.is_available()

更嚴(yán)謹(jǐn)一些，在程序運(yùn)行的時(shí)候查看是否真的在使用GPU，插入代碼，在運(yùn)行時(shí)輸出torch對(duì)應(yīng)的設(shè)備，如果這里輸出的是CPU，肯定就沒有在GPU上運(yùn)行了。

    # setting device on GPU if available, else CPU
    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    print('Using device:', device)
    print()
    
    #Additional Info when using cuda
    if device.type == 'cuda':
        print(torch.cuda.get_device_name(0))
        print('Memory Usage:')
        print('Allocated:', round(torch.cuda.memory_allocated(0)/1024**3,1), 'GB')
        print('Cached:   ', round(torch.cuda.memory_reserved(0)/1024**3,1), 'GB')

參考文章：如何檢查pytorch是否正在使用GPU？

使用簡(jiǎn)單全連接網(wǎng)絡(luò)檢測(cè)GPU情況

可以直接運(yùn)行一個(gè)簡(jiǎn)單的全連接網(wǎng)絡(luò)，查看GPU的使用情況：

import torch
import torch.nn as nn
import torch.nn.functional as F
from torchsummary import summary
from torchvision import models

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 6, 5)
        self.conv2 = nn.Conv2d(6, 16, 5)
        #此處的16*5*5為conv2經(jīng)過(guò)pooling之后的尺寸，即為fc1的輸入尺寸，在這里寫死了，因此后面的輸入圖片大小不能任意調(diào)整
        self.fc1 = nn.Linear(16*5*5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)
    def forward(self, x):
        x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
        x = F.max_pool2d(F.relu(self.conv2(x)), 2)
        x = x.view(-1, self.num_flat_features(x))
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x
    def num_flat_features(self, x):
        size = x.size()[1:]
        num_features = 1
        for s in size:
            num_features *= s
        return num_features
net = Net()
print(net)

params = list(net.parameters())
print (len(params))
print(params[0].size())
print(params[1].size())
print(params[2].size())
print(params[3].size())
print(params[4].size())
print(params[5].size())
print(params[6].size())
print(params[7].size())
print(params[8].size())
print(params[9].size())

input = torch.randn(1, 1, 32, 32)
out = net(input)
print(out)

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
vgg = net.to(device)
summary(vgg, (1, 32, 32))