pytorch 限制GPU使用效率详解(计算效率)
问题
用过tensorflow的人都知道，tf可以限制程序在GPU中的使用效率，但pytorch中没有这个操作。
思路
于是我想到了一个代替方法，玩过单片机点灯的同学都知道，灯的亮度是靠占空比实现的，这实际上也是计算机的运行原理。那我们是不是也可以通过增加GPU不工作的时间，进而降低GPU的使用效率？
主要代码
importtime ... rest_time=0.15 ... for_inrange(XXX): ... outputs=all_GPU_operations(data_set)#假设所有的GPU运算都在这里 time.sleep(rest_time)#让显卡休息一会再进行下个循环的使用 ... ...
这样子GPU的使用效率就可以减小了。
rest_time的越大GPU使用率越低，rest_time的越小GPU使用率越高。
缺点是很难直接控制GPU的具体使用率，rest_time得自己调试后确定。
补充知识：深度学习PyTorch，TensorFlow中GPU利用率较低,使用率周期性变化的问题
在用tensorflow训练神经网络时,发现训练迭代的速度时而快时而慢,监督的GPU使用率也是周期性变化,通过了解,发现原因是:
GPU在等待CPU读取,预处理,并传输数据过来,因此要提高GPU的使用率,降低GPU的等待时间,需要加快CPU的处理速度.
在PYTORCH中的解决方案是用torch.utils.data.DataLoader,用num_workers设置线程数:
torch.utils.data.DataLoader(image_datasets[x], batch_size=batch_size, shuffle=True, num_workers=8, pin_memory=True)
在tensorflow中的解决方案是用tf.data.Dataset.map(num_parallel_calls=8)中的num_parallel_calls设置读取数据的线程数:
用tf.data读取数据,tf.data.Dataset中有一个map函数,它有个num_parallel_calls参数,可以控制CPU的线程,加快数据的读取速度,一般将线程设置为8效果最好.
以上这篇pytorch限制GPU使用效率详解(计算效率)就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。