GPU的使用说明
发布时间：2022-09-22 14:41:27 所属栏目：应用 来源：
导读： 查看显卡信息
!nvidia-smi
计算设备
import tensorflow as tf
tf.device('/CPU:0'), tf.device('/GPU:0'), tf.device('/GPU:1')
查询GPU数量
!nvidia-smi
计算设备
import tensorflow as tf
tf.device('/CPU:0'), tf.device('/GPU:0'), tf.device('/GPU:1')
查询GPU数量
|
查看显卡信息 !nvidia-smi 计算设备 import tensorflow as tf tf.device('/CPU:0'), tf.device('/GPU:0'), tf.device('/GPU:1') 查询GPU数量 len(tf.config.experimental.list_physical_devices('GPU')) 张量与GPU 我们可以查询张量所在的设备。 默认情况下，张量是在CPU上创建的。 x = tf.constant([1, 2, 3]) x.device 存储在GPU上 我们需要确保不创建超过GPU显存限制的数据。 with try_gpu(): X = tf.ones((2, 3)) 假设你至少有两个GPU应用说明，下面的代码将在第二个GPU上创建一个随机张量。 with try_gpu(1): Y = tf.random.uniform((2, 3)) with try_gpu(1): Z = X print(X) print(Z) 现在数据在同一个GPU上（Z和Y都在），我们可以将它们相加。 假设变量Z已经存在于第二个GPU上。 如果我们仍然在同一个设备作用域下调用Z2 = Z会发生什么？ 它将返回Z，而不会复制并分配新内存。 with try_gpu(1): Z2 = Z Z2 is Z 神经网络与GPU 类似地，神经网络模型可以指定设备。 下面的代码将模型参数放在GPU上。 strategy = tf.distribute.MirroredStrategy() with strategy.scope(): net = tf.keras.models.Sequential([ tf.keras.layers.Dense(1)]) 当输入为GPU上的张量时，模型将在同一GPU上计算结果。 net(X) 让我们确认模型参数存储在同一个GPU上。 net.layers[0].weights[0].device, net.layers[0].weights[1].device 所有的数据和参数都在同一个设备上， 我们就可以有效地学习模型。 （编辑：百客网 - 百科网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
站长推荐