１．在終端執(zhí)行程序時(shí)指定GPU

CUDA_VISIBLE_DEVICES=0? ? python? your_file.py? # 指定GPU集群中第一塊GPU使用,其他的屏蔽掉

CUDA_VISIBLE_DEVICES=1? ? ? ? ? ?Only device 1 will be seen

CUDA_VISIBLE_DEVICES=0,1? ? ? ? ?Devices 0 and 1 will be visible

CUDA_VISIBLE_DEVICES="0,1"? ? ? ?Same as above, quotation marks are optional 多GPU一起使用

CUDA_VISIBLE_DEVICES=0,2,3? ? ? ?Devices 0, 2, 3 will be visible; device 1 is masked

CUDA_VISIBLE_DEVICES=""? ? ? ? ? No GPU will be visible

z這段話摘抄的，錯(cuò)誤：注意，服務(wù)器看到的GPU序號(hào)和手動(dòng)在Linux上查看的序號(hào)是相反的，比如我們指定os.environ[“CUDA_VISIBLE_DEVICES”] = “0”的話，你會(huì)發(fā)現(xiàn)在watch nvidia-smi指令下，倒數(shù)第一塊GPU正在滿負(fù)荷的運(yùn)行！

２．在Python代碼中指定GPU

import os

os.environ["CUDA_VISIBLE_DEVICES"] = "0"? 　#指定第一塊gpu

３．設(shè)置定量的GPU使用量

config = tf.ConfigProto()

config.gpu_options.per_process_gpu_memory_fraction = 0.9 # 占用GPU90%的顯存

session = tf.Session(config=config)

４．設(shè)置最小的GPU使用量

config = tf.ConfigProto()

config.gpu_options.allow_growth = True

session = tf.Session(config=config)

５．GPU狀態(tài)顯示和部分指標(biāo)含義

輸入查看：

watch nvidia-smi

GPU：GPU 編號(hào)；

Name：GPU 型號(hào)；

Persistence-M：持續(xù)模式的狀態(tài)。持續(xù)模式雖然耗能大，但是在新的GPU應(yīng)用啟動(dòng)時(shí)，花費(fèi)的時(shí)間更少，這里顯示的是off的狀態(tài)；

Fan：風(fēng)扇轉(zhuǎn)速，從0到100%之間變動(dòng)；

Temp：溫度，單位是攝氏度；

Perf：性能狀態(tài)，從P0到P12，P0表示最大性能，P12表示狀態(tài)最小性能(即 GPU 未工作時(shí)為P0，達(dá)到最大工作限度時(shí)為P12)。

Pwr:Usage/Cap：能耗；

Memory Usage：顯存使用率；

Bus-Id：涉及GPU總線的東西，domain:bus:device.function；

Disp.A：Display Active，表示GPU的顯示是否初始化；

Volatile GPU-Util：浮動(dòng)的GPU利用率；

Uncorr. ECC：Error Correcting Code，錯(cuò)誤檢查與糾正；

Compute M：compute mode，計(jì)算模式。

下方的 Processes 表示每個(gè)進(jìn)程對(duì) GPU 的顯存使用率。

總結(jié)

以上是生活随笔為你收集整理的linux系统怎样指定gpu运行,linux服务器如何指定gpu以及用量的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。