問題

用過 tensorflow 的人都知道， tf 可以限制程式在 GPU 中的使用效率，但 pytorch 中沒有這個操作。

思路

於是我想到了一個代替方法，玩過微控制器點燈的同學都知道，燈的亮度是靠佔空比實現的，這實際上也是計算機的執行原理。 那我們是不是也可以通過增加 GPU 不工作的時間，進而降低 GPU 的使用效率 ？

主要程式碼

import time
...
rest_time = 0.15
...
for _ in range( XXX ):
  ...
  outputs = all_GPU_operations( data_set ) # 假設所有的GPU運算都在這裡
  time.sleep( rest_time )         # 讓顯示卡休息一會再進行下個迴圈的使用
  ...
...

這樣子 GPU 的使用效率就可以減小了。

rest_time 的越大 GPU 使用率越低，rest_time 的越小 GPU 使用率越高。

缺點是很難直接控制 GPU 的具體使用率，rest_time 得自己除錯後確定。

補充知識：深度學習PyTorch，TensorFlow中GPU利用率較低,使用率週期性變化的問題

在用tensorflow訓練神經網路時,發現訓練迭代的速度時而快時而慢,監督的GPU使用率也是週期性變化,通過了解,發現原因是:

GPU在等待CPU讀取,預處理,並傳輸資料過來,因此要提高GPU的使用率,降低GPU的等待時間,需要加快CPU的處理速度.

在PYTORCH中的解決方案是用torch.utils.data.DataLoader,用num_workers設定執行緒數:

torch.utils.data.DataLoader(image_datasets[x],batch_size=batch_size,shuffle=True,num_workers=8,pin_memory=True)

在tensorflow中的解決方案是用tf.data.Dataset.map(num_parallel_calls=8)中的num_parallel_calls設定讀取資料的執行緒數:

用 tf.data讀取資料,tf.data.Dataset中有一個map函式,它有個num_parallel_calls引數,可以控制CPU的執行緒,加快資料的讀取速度,一般將執行緒設定為8效果最好.

以上這篇pytorch 限制GPU使用效率詳解(計算效率)就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。