时间戳

首页 > 解决方案 > 如何让 TensorFlow 使用 100% 的 GPU？

tensorflow - 如何让 TensorFlow 使用 100% 的 GPU？

问题描述

我有一台配备 RTX 2060 GPU 的笔记本电脑，我正在使用 Keras 和 TF 2 在其上训练 LSTM。我也在监控 gpu 的使用情况nvidia-smi，我注意到 jupyter notebook 和 TF 最多使用 35%，通常 gpu 的使用率在 10-25% 之间。

以目前的情况，训练这个模型花了7个多小时，我想知道是我做错了什么还是Keras和TF的限制？

我的 nvidia-smi 输出：

Sun Nov  3 00:07:37 2019       
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 430.26       Driver Version: 430.26       CUDA Version: 10.2     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|===============================+======================+======================|
|   0  GeForce RTX 2060    Off  | 00000000:01:00.0  On |                  N/A |
| N/A   51C    P3    22W /  N/A |    834MiB /  5931MiB |     24%      Default |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes:                                                       GPU Memory |
|  GPU       PID   Type   Process name                             Usage      |
|=============================================================================|
|    0      1032      G   /usr/lib/xorg/Xorg                           330MiB |
|    0      1251      G   /usr/bin/gnome-shell                         333MiB |
|    0      1758      G   ...equest-channel-token=622209288718607755   121MiB |
|    0      5086      G   ...uest-channel-token=12207632792533837012    47MiB |
+-----------------------------------------------------------------------------+

我的 LSTM：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.layers import LSTM
from tensorflow.keras.layers import Dropout

regressor = Sequential()

regressor.add(LSTM(units = 180, return_sequences = True, input_shape = (X_train.shape[1], 3)))
regressor.add(Dropout(0.2))

regressor.add(LSTM(units = 180, return_sequences = True))
regressor.add(Dropout(0.2))

regressor.add(LSTM(units = 180, return_sequences = True))
regressor.add(Dropout(0.2))

regressor.add(LSTM(units = 180, return_sequences = True))
regressor.add(Dropout(0.2))

regressor.add(LSTM(units = 180, return_sequences = True))
regressor.add(Dropout(0.2))

regressor.add(LSTM(units = 180))
regressor.add(Dropout(0.2))

regressor.add(Dense(units = 1))

regressor.compile(optimizer = 'adam', loss = 'mean_squared_error')

regressor.fit(X_train, y_train, epochs = 10, batch_size = 32, callbacks=[cp_callback])

标签： tensorflowkerasdeep-learninggpunvidia

解决方案

假设后者已正确安装，TensorFlow 会自动通过 CUDA 和 cuDNN 优化 GPU 资源分配。您看到的使用统计主要是内存/计算资源“活动”，不一定是实用程序（执行）；看到这个答案。您的效用“仅”为 25% 是一件好事 - 否则，如果您大幅增加模型大小（按原样并不大），您就会 OOM。

为了增加使用，增加批量大小、模型大小或任何会增加计算并行度的东西；请注意，使模型更深会增加 GPU 的内存效用，但远不如它的计算效用。

此外，请考虑使用CuDNNLSTM而不是LSTM，它可以运行速度快 10 倍并使用更少的GPU 内存（由算法工艺提供），但更多的计算效用。最后，Conv1D作为第一层插入strides > 1将通过减少输入大小显着提高列车速度，而不必损害性能（实际上它可以改善它）。

更新：超频 GPU 是一种选择，但我建议不要这样做，因为从长远来看它会磨损 GPU（并且所有 DL 都是“长期”）。还有“过电压”和其他硬件调整，但都应该用于一些简短的应用程序。最大的不同是您的输入数据管道。

推荐阅读