pytorch之多GPU使用 | 您所在的位置:网站首页 › invisible用法 › pytorch之多GPU使用 |
文章目录
0. 显卡编号(什么是主卡)1. 使用所有存在的显卡2. 指定编号使用显卡3. os.environ["CUDA_VISIBLE_DEVICES"]详解3.1. ["CUDA_VISIBLE_DEVICES"]使用3.2. 关于设置["CUDA_VISIBLE_DEVICES"]无效的解决
4. torch.cuda主要函数4.1. torch.cuda.is_available()判断GPU是否可用4.2. torch.cuda.device_count()查看可用GPU数量4.3. torch.cuda.current_device()查看当前使用的GPU序号4.4 其他一些函数
5. 报错AssertionError: Invalid device id6. 报错RuntimeError: module must have its parameters and buffers on device cuda:1 (device_ids[0]) but found
主要讲单机多卡(单主机多GPUs训练)
使用多卡训练的方式有很多,当然前提是我们的设备中存在多个GPU:使用命令nvidia-smi查看当前Ubuntu平台的GPU数量,其中每个GPU被编上了序号:[0,1,2,3] 0. 显卡编号(什么是主卡)在默认情况下,标号为0的显卡为主卡,如主机中有4块显卡,那么每张显卡的默认标号为[0,1,2,3]。 如何将其他显卡设置为主卡呢? 通过os.environ["CUDA_VISIBLE_DEVICES"]指定所要使用的显卡,如: os.environ["CUDA_VISIBLE_DEVICES"] = "3,2,0,1" model = torch.nn.DataParallel(model, device_ids=[0,2,3]).cuda()此时,3号显卡就变成了主卡,在使用torch.nn.DataParallel指定运算显卡时,显卡的对应关系如下: 实际显卡编号----->运算显卡编号 3 -----> 0(主卡) 2 -----> 1 0 -----> 2 1 -----> 3 1. 使用所有存在的显卡在存在多卡的条件下,最简单的方法是直接使用torch.nn.DataParallel将你的模型wrap一下即可: net = torch.nn.DataParallel(model)这时,默认所有存在的显卡都会被使用 2. 指定编号使用显卡如果有很多显卡(例如我们有4张显卡),但只想使用0、1、2号显卡,那么可以: net = torch.nn.DataParallel(model, device_ids=[0, 1, 2])或者: os.environ["CUDA_VISIBLE_DEVICES"] = ','.join(map(str, [0,1,2])) # 一般在程序开头设置 # 等价于os.environ["CUDA_VISIBLE_DEVICES"] = '0,1,2' net = torch.nn.DataParallel(model)CUDA_VISIBLE_DEVICES 表示当前可以被python环境程序检测到的显卡 如果只需要指定一张卡,可以使用torch.cuda.set_device(1)指定gpu使用编号 (不建议用这个方法) torch.cuda.set_device(1) print(torch.cuda.device_count()) #可用GPU数量(我的机器是4卡,所以print结果是:4,说明用torch.cuda.set_device(1)指定,不会改变可见的显卡) 后面还可以用torch.nn.DataParallel(model, device_ids=[1, 2])进行指定, 但是必须包含set_device(1)指定的device:1的设备,缺点是仍然会存在占用一些device:0的gpu内存; 3. os.environ[“CUDA_VISIBLE_DEVICES”]详解 3.1. [“CUDA_VISIBLE_DEVICES”]使用CUDA_VISIBLE_DEVICES 表示当前可以被python环境程序检测到的显卡 os.environ["CUDA_VISIBLE_DEVICES"] = ','.join(map(str, [0,1,2])) # 一般在程序开头设置 # 等价于os.environ["CUDA_VISIBLE_DEVICES"] = '0,1,2'os.environ["CUDA_VISIBLE_DEVICES"] = '1,2'进行指定使用设备 这样会修改pytorch感受的设备编号,pytorch感知的编号还是从device:0开始。如上则把1号显卡改为device:0,1号显卡改为device:1,使用时应该这么写: os.environ["CUDA_VISIBLE_DEVICES"] = '1,2' torch.nn.DataParallel(model, device_ids=[0,1]) 3.2. 关于设置[“CUDA_VISIBLE_DEVICES”]无效的解决不生效的原因是,这一行代码放置的位置不对。 一定要把os.environ['CUDA_VISIBLE_DEVICES']='1'放在所有访问GPU的代码之前。 torch.cuda.device_count() 4. torch.cuda主要函数 4.1. torch.cuda.is_available()判断GPU是否可用 import torch print(torch.cuda.is_available())可用即为:True 4.2. torch.cuda.device_count()查看可用GPU数量 os.environ["CUDA_VISIBLE_DEVICES"] = '0,1,2' print(torch.cuda.device_count())结果应该为:3 4.3. torch.cuda.current_device()查看当前使用的GPU序号 os.environ["CUDA_VISIBLE_DEVICES"] = '1,2' print(torch.cuda.current_device())结果应该是:0 这样就证明了我们上面说的,os.environ["CUDA_VISIBLE_DEVICES"] = '1,2'进行指定使用设备,会修改pytorch感受的设备编号,pytorch感知的编号还是从device:0开始 4.4 其他一些函数查看指定GPU的容量、名称 torch.cuda.get_device_capability(device) torch.cuda.get_device_name(device)清空程序占用的GPU资源 torch.cuda.empty_cache()为GPU设置随机种子 torch.cuda.manual_seed(seed) torch.cuda.manual_seed_all(seed) 5. 报错AssertionError: Invalid device id对模型进行gpu指定编号多gpu训练,必须要有所指定编号的gpu,不然会报AssertionError: Invalid device id错误 报错示例1: os.environ["CUDA_VISIBLE_DEVICES"] = '0,1' # 一般在程序开头设置 net = torch.nn.DataParallel(model,device_ids=[1, 2])CUDA_VISIBLE_DEVICES 表示当前可以被python环境程序检测到的显卡,可见的只有0,1号显卡。 而使用torch.nn.DataParallel(model, device_ids=[1, 2])指定gpu编号会出现AssertionError: Invalid device id错误 原因:2号显卡没有设置被可见。 报错示例2: os.environ["CUDA_VISIBLE_DEVICES"] = '1,2' # 一般在程序开头设置 net = torch.nn.DataParallel(model,device_ids=[1, 2])os.environ["CUDA_VISIBLE_DEVICES"] = '1,2'进行指定使用设备 这样会修改pytorch感受的设备编号,pytorch感知的编号还是从device:0开始 程序应该这么改: os.environ["CUDA_VISIBLE_DEVICES"] = ','.join(map(str, [1,2])) # 一般在程序开头设置 net = torch.nn.DataParallel(model,device_ids=[0, 1]) 6. 报错RuntimeError: module must have its parameters and buffers on device cuda:1 (device_ids[0]) but foundPyTorch框架下,使用torch.nn.DataParallel进行多卡并行计算中可能会遇到该问题,是由于在多卡运算时主卡设置所导致。在多卡并行计算时,所使用的显卡中必须包含主卡,否则就会产生该问题。 如下代码中,主卡没有参与运算,就会导致该错误。 os.environ["CUDA_VISIBLE_DEVICES"] = '0,1,2,3' #这里主卡就是机器0号卡 model = torch.nn.DataParallel(model, device_ids=[1,2,3]).cuda() |
CopyRight 2018-2019 实验室设备网 版权所有 |