1、搭建环境
1.1、查看GPU版本
在安装tensorflow的GPU版本之前可以先看下自己的显卡情况 命令：nvidia-smi
或者桌面右下角，NVIDIA图标，进入到NVIDIA的控制面板：
点击左下角的系统信息，组件中查看NVCUDA64.dll的版本
1.2、新建虚拟环境
创建一个虚拟环境，名称为myTFGPU，Python版本为3.7，这两个按自己环境指定，也可以进入站点：tensorflow-GPU版本 选择适合自己的版本conda create -n myTFGPU python=3.7 进入这个虚拟环境：activate myTFGPU
1.3、安装带GPU版本的tensorflow
安装命令，带上豆瓣镜像要快很多
pip install tensorflow-gpu==2.9.0 -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com
安装好之后，我们来看下自己的设备情况：
import tensorflow as tf
tf.test.gpu_device_name()
#Created device /device:GPU:0 with 1318 MB memory: -> device: 0, name: NVIDIA GeForce GTX 1050, pci bus id: 0000:01:00.0, compute capability: 6.1
'/device:GPU:0'
可以看到GPU的型号，大小，计算能力。这些能够正确显示，说明就安装成功了。再来看下本机的物理GPU和CPU的情况
# 查看gpu和cpu的数量
gpus = tf.config.experimental.list_physical_devices(device_type='GPU')
cpus = tf.config.experimental.list_physical_devices(device_type='CPU')
print(gpus, cpus)
#[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')] [PhysicalDevice(name='/physical_device:CPU:0', device_type='CPU')]
1.4、CUDA和cuDNN版本对应
其中cudnn和cuda因为以前安装过，这里就省略了，安装命令：
conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0
当然这两个对应的版本，可以使用命令：conda search -f cudnn 查看对应的版本，避免出现版本问题
(tensorflowGPU) C:\Users\Tony>conda search -f cudnn
Fetching package metadata .........
cudnn 7.1.4 cuda9.0_0 defaults
7.1.4 cuda8.0_0 defaults
7.3.1 cuda9.0_0 defaults
7.3.1 cuda10.0_0 defaults
7.6.0 cuda10.1_0 defaults
7.6.0 cuda10.0_0 defaults
7.6.0 cuda9.0_0 defaults
7.6.4 cuda10.1_0 defaults
7.6.4 cuda9.0_0 defaults
7.6.4 cuda10.0_0 defaults
7.6.5 cuda9.0_0 defaults
7.6.5 cuda10.1_0 defaults
7.6.5 cuda10.0_0 defaults
7.6.5 cuda10.2_0 defaults
7.6.5 cuda9.2_0 defaults
8.2.1 cuda11.3_0 defaults
1.5、CUDA和cuDNN下载
CUDA和cuDNN比较大，建议下载安装要好点： CUDA Toolkit：https://developer.nvidia.com/cuda-toolkit-archive cuDNN：https://developer.nvidia.com/rdp/cudnn-archive
安装好了之后，将下面这几个文件复制到对应位置即可：
Copy
如果安装中遇到问题可以参看：https://blog.csdn.net/weixin_41896770/article/details/127444808
2、GPU逻辑分区
我们知道在Windows里面的硬盘，可以将其随意划分成多个逻辑盘，C、D、E、F等，同样道理，GPU也可以做这样的设置。
import tensorflow as tf
gpus = tf.config.experimental.list_physical_devices('GPU')
#[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
比如我的电脑就只有一块GPU，有时想做一些多GPU的测试，没有多余的GPU，不过很好的一点是，tensorflow等框架都支持分布式的，同时也支持对GPU做逻辑划分。
#逻辑划分
tf.config.experimental.set_virtual_device_configuration(
gpus[0],
[tf.config.experimental.VirtualDeviceConfiguration(memory_limit=512),
tf.config.experimental.VirtualDeviceConfiguration(memory_limit=512),
tf.config.experimental.VirtualDeviceConfiguration(memory_limit=512)])
logical_gpus = tf.config.experimental.list_logical_devices('GPU')
#我们看下是否将GPU成功划分逻辑分区
print(logical_gpus)
#[LogicalDevice(name='/device:GPU:0', device_type='GPU'), LogicalDevice(name='/device:GPU:1', device_type='GPU'), LogicalDevice(name='/device:GPU:2', device_type='GPU')]
打印出来，我们可以看到，将本机的一块物理GPU划分成了三块逻辑GPU，名字分别是/device:GPU:0，/device:GPU:1，/device:GPU:2
其余一些实用方法可以查阅print(dir(tf.config))：
tf.debugging.set_log_device_placement(True)#打印一些变量在哪些设备
gpus = tf.config.experimental.list_physical_devices('GPU')#物理的GPU列表
tf.config.experimental.set_visible_devices(gpus[0], 'GPU')#设置GPU可见
下面有很多方法，有兴趣的可以了解它们的作用：
['LogicalDevice', 'LogicalDeviceConfiguration', 'PhysicalDevice', '__builtins__', '__cached__', '__doc__', '__file__', '__loader__', '__name__', '__package__', '__path__', '__spec__', '_sys', 'experimental', 'experimental_connect_to_cluster', 'experimental_connect_to_host', 'experimental_functions_run_eagerly', 'experimental_run_functions_eagerly', 'functions_run_eagerly', 'get_logical_device_configuration', 'get_soft_device_placement', 'get_visible_devices', 'list_logical_devices', 'list_physical_devices', 'optimizer', 'run_functions_eagerly', 'set_logical_device_configuration', 'set_soft_device_placement', 'set_visible_devices', 'threading']
3、JupyterLab测试
由于这里我们是新建的一个环境，激活之后在这个虚拟环境中，我们先进行安装 ：conda install -c conda-forge jupyterlab 然后输入命令即可：jupyter lab 这样就可以在JupyterLab中写代码进行测试了
我们来实际测试下这个逻辑分区的GPU：
import tensorflow as tf
gpus = tf.config.experimental.list_physical_devices('GPU')
tf.config.experimental.set_virtual_device_configuration(
gpus[0],
[tf.config.experimental.VirtualDeviceConfiguration(memory_limit=512),
tf.config.experimental.VirtualDeviceConfiguration(memory_limit=512),
tf.config.experimental.VirtualDeviceConfiguration(memory_limit=512)])
logical_gpus = tf.config.experimental.list_logical_devices('GPU')
c = []
for gpu in logical_gpus:
print(gpu.name)
with tf.device(gpu.name):
a = tf.constant([[1,2,3],[4,5,6]])
b = tf.constant([[7,8],[9,10],[11,12]])
c.append(tf.matmul(a, b))
print(c)
#将三块GPU计算的值，通过CPU计算相加
with tf.device('/cpu:0'):
matmul_sum = tf.add_n(c)
print(matmul_sum)
'''
/device:GPU:0
/device:GPU:1
/device:GPU:2
[ array([[ 58, 64], [139, 154]])>, array([[ 58, 64], [139, 154]])>, array([[ 58, 64], [139, 154]])>] tf.Tensor( [[174 192] [417 462]], shape=(2, 2), dtype=int32) ''' 我们可以看到分别在三块逻辑GPU上面进行了矩阵的乘法计算，还可以将它们指定到CPU来计算和。所以需要使用某块GPU或CPU，我们通过使用with tf.device('GPU或CPU名称') 来指定。这种对于大模型来说是很实用的，一般一块GPU的大小是有限的，而大模型的参数是非常大的，这样就可以将不同的层使用不同的GPU来分别计算了。 精彩内容
您阅读本篇文章共花了：
发表评论