Linux -- 使用多张gpu卡进行深度学习任务（以tensorflow为例）

在linux系统上进行多gpu卡的深度学习任务

• 确保已安装最新的 TensorFlow GPU 版本。

import tensorflow as tf
print("Num GPUs Available: ", len(tf.config.list_physical_devices('GPU')))
1
2

• 1、确保你已经正确安装了tensorflow和相关的GPU驱动，这里可以通过在命令行输入nvidia-smi来查看：
  
  如果成功显示了类似上述的GPU信息和驱动版本信息，则说明NVIDIA驱动已经正确安装。

2、导入必要的库，设置可见的gpu设备列表：

import tensorflow as tf
# 设置可见的GPU设备列表（例如，使用GPU 0、1、2和3）
gpu_devices = tf.config.experimental.list_physical_devices('GPU')
tf.config.experimental.set_visible_devices(gpu_devices, 'GPU')

1
2
3
4
5

• 3、创建一个MirroredStrategy对象，该对象将自动复制模型和数据到每个可见的GPU卡上：

strategy = tf.distribute.MirroredStrategy()
1

• 4、在strategy范围内创建和训练模型：

with strategy.scope():
    # 创建和编译模型
    model = create_model()
    model.compile(...)
    
    # 加载数据
    train_dataset = load_train_data()
    test_dataset = load_test_data()
    
    # 训练模型
    model.fit(train_dataset, validation_data=test_dataset, ...)
1
2
3
4
5
6
7
8
9
10
11

以上，在MirroredStrategy范围内创建的模型将自动复制并分布到每个可见的GPU卡上，每个卡都将处理一部分数据。

使用多个 GPU 的最佳做法是使用 tf.distribute.Strategy

以下给出一个官网的简单示例：

tf.debugging.set_log_device_placement(True)
gpus = tf.config.list_logical_devices('GPU')
strategy = tf.distribute.MirroredStrategy(gpus)
with strategy.scope():
  inputs = tf.keras.layers.Input(shape=(1,))
  predictions = tf.keras.layers.Dense(1)(inputs)
  model = tf.keras.models.Model(inputs=inputs, outputs=predictions)
  model.compile(loss='mse',
                optimizer=tf.keras.optimizers.SGD(learning_rate=0.2))
1
2
3
4
5
6
7
8
9

当然，也有手动的放置方法：

tf.debugging.set_log_device_placement(True)

gpus = tf.config.list_logical_devices('GPU')
if gpus:
  # Replicate your computation on multiple GPUs
  c = []
  for gpu in gpus:
    with tf.device(gpu.name):
      a = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
      b = tf.constant([[1.0, 2.0], [3.0, 4.0], [5.0, 6.0]])
      c.append(tf.matmul(a, b))

  with tf.device('/CPU:0'):
    matmul_sum = tf.add_n(c)

  print(matmul_sum)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

在tensorflow上使用gpu：https://www.tensorflow.org/guide/gpu?hl=zh-cn