为什么Pytorch死活要用第0块显卡

2024-03-24 08:44| 来源: 网络整理| 查看: 265

为什么Pytorch一定要用第0块显卡更新（2020.11.23）问题原因解决方法

更新（2020.11.23）

Pytorch调用显卡的问题在1.0版本前比较明显，建议各位尽量使用1.0以后的版本。其次，对于超大模型的训练，有时会需要多显卡并行运算，使用方法指路另一篇博文点这里。

问题

在使用Pytorch进行训练的时候，有一个奇怪的问题是，无论怎么在代码里指定显卡，最终运行时始终会在第0块显卡上占用少量的内存。本来是个无伤大雅的问题，但是一旦0号显卡被自己或者别人占满了，就很抓狂?公用服务器的悲伤啊。

原因

查了一下在GitHub上有一个关于这个问题的讨论，Pytorch初始化问题，大概是pytorch在初始化的时候会默认在第0块显卡上进行，会占用一定的显存（在torch/cuda/init.py:110中，拷贝了部分代码过来）。这就导致，在第0块显卡空闲内存不多时，程序会反复报Runtime Error的错，可以通过如下的方法来达到完全不使用第0块显卡的目的。

class device(object): """Context-manager that changes the selected device. Arguments: idx (int): device index to select. It's a no-op if this argument is negative. """ def __init__(self, idx): self.idx = idx self.prev_idx = -1 def __enter__(self): if self.idx is -1: return _lazy_init() self.prev_idx = torch._C._cuda_getDevice() if self.prev_idx != self.idx: torch._C._cuda_setDevice(self.idx) def __exit__(self, *args): if self.prev_idx != self.idx: torch._C._cuda_setDevice(self.prev_idx) return False 解决方法

强制指定GPU的方法不少，但是不是每个都对pytorch有用，我在这里列出我知道的几个。

最好用的、绝对不会出错的device (适用于单卡调试，简单快捷，多卡训练的童靴使用方法2比较好)

一般使用device时大多数用来直接指定显卡号，但是pytorch那个尿性在你制定前就用了第0块进行初始化，所以保险的方法是使用with语句，在with块下再写pytorch的调用，亲测有效。

with torch.cuda.device(1): pass 指令运行前设置环境变量（适用于多卡训练）在输入训练指令前加上CUDA_VISIBLE_DEVICES=1,2，即设置环境变量，程序只“看得见”第1、2块显卡，自然就不需要在使用第0块显卡了。但是有一个问题是，在设置环境变量之后，第1、2块显卡在程序的眼里就变成了第0、1块显卡，在后续使用中需要注意序号的问题，不然会出现invalid device ordinal的错误。使用成本最小，绝对不会出现cuda0在被禁用的情况下被调用的情况。 CUDA_VISIBLE_DEVICES=1,2 python train.py 别人的博客上说有用，但是我自己没实验成功的os指定法用os指定理论上可以指定pytorch不走第0块GPU，但是我试了一下没成功，不知道是不是还要什么先决条件，有谁成功了欢迎评论指正。 import os os.environ['CUDA_VISIBLE_DEVICES'] = '1,2'

Pytorch可真是个小妖精狗脸一红在这里插入图片描述

【本文地址】

公司简介

联系我们