在linux系统上进行多gpu卡的深度学习任务
- 确保已安装最新的 TensorFlow GPU 版本。
import tensorflow as tf
print("Num GPUs Available: ", len(tf.config.list_physical_devices('GPU')))
- 1、确保你已经正确安装了tensorflow和相关的GPU驱动，这里可以通过在命令行输入
nvidia-smi来查看：
如果成功显示了类似上述的GPU信息和驱动版本信息，则说明NVIDIA驱动已经正确安装。
2、导入必要的库，设置可见的gpu设备列表：
import tensorflow as tf
# 设置可见的GPU设备列表（例如，使用GPU 0、1、2和3）
gpu_devices = tf.config.experimental.list_physical_devices('GPU')
tf.config.experimental.set_visible_devices(gpu_devices, 'GPU')
- 3、创建一个
MirroredStrategy对象，该对象将自动复制模型和数据到每个可见的GPU卡上：
strategy = tf.distribute.MirroredStrategy()
- 4、在
strategy范围内创建和训练模型：
with strategy.scope():# 创建和编译模型model = create_model()model.compile(...)# 加载数据train_dataset = load_train_data()test_dataset = load_test_data()# 训练模型model.fit(train_dataset, validation_data=test_dataset, ...)
以上，在MirroredStrategy范围内创建的模型将自动复制并分布到每个可见的GPU卡上，每个卡都将处理一部分数据。
使用多个 GPU 的最佳做法是使用 tf.distribute.Strategy
以下给出一个官网的简单示例：
tf.debugging.set_log_device_placement(True)
gpus = tf.config.list_logical_devices('GPU')
strategy = tf.distribute.MirroredStrategy(gpus)
with strategy.scope():inputs = tf.keras.layers.Input(shape=(1,))predictions = tf.keras.layers.Dense(1)(inputs)model = tf.keras.models.Model(inputs=inputs, outputs=predictions)model.compile(loss='mse',optimizer=tf.keras.optimizers.SGD(learning_rate=0.2))
当然，也有手动的放置方法：
tf.debugging.set_log_device_placement(True)gpus = tf.config.list_logical_devices('GPU')
if gpus:# Replicate your computation on multiple GPUsc = []for gpu in gpus:with tf.device(gpu.name):a = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])b = tf.constant([[1.0, 2.0], [3.0, 4.0], [5.0, 6.0]])c.append(tf.matmul(a, b))with tf.device('/CPU:0'):matmul_sum = tf.add_n(c)print(matmul_sum)
在tensorflow上使用gpu：https://www.tensorflow.org/guide/gpu?hl=zh-cn
