Ebben a blogban azokra a módokra összpontosítunk, amelyekkel növelheti a GPU kihasználtságát a PyTorch-ban.
Hogyan lehet növelni a GPU kihasználtságát a PyTorch-ban?
Számos technika használható a GPU kihasználtságának növelésére és annak biztosítására, hogy a legjobb hardvererőforrásokat használják fel az összetett gépi tanulási modellek feldolgozásához. Ezek a taktikák magukban foglalják a kód szerkesztését és a PyTorch funkcióinak használatát. Az alábbiakban felsorolunk néhány fontos tippet és trükköt:
- Adatok és kötegméretek betöltése
- Kevésbé memóriafüggő modellek
- PyTorch Lightning
- Módosítsa a futásidejű beállításokat a Google Colabban
- Törölje a gyorsítótárat az optimalizálás érdekében
Adatok és kötegméretek betöltése
A ' Adatbetöltő ” a PyTorch-ban a processzorba töltendő adatok specifikációinak meghatározására szolgál a mélytanulási modell minden egyes előrehaladásakor. Egy nagyobb” csomó méret ” adatmennyiség nagyobb feldolgozási teljesítményt igényel, és növeli a rendelkezésre álló GPU kihasználtságát.
Az alábbiakban látható a PyTorch-ban meghatározott kötegmérettel rendelkező Dataloader egyéni változóhoz rendelésének szintaxisa:
Increase_GPU_Utilization = DataLoader ( csomó méret = 32 )
Kevésbé memóriafüggő modellek
Minden modellarchitektúra eltérő mennyiségű ' memória ” hogy az optimális szinten teljesítsen. Azok a modellek, amelyek hatékonyan kevesebb memóriát használnak egységnyi idő alatt, képesek a többinél jóval nagyobb kötegméretekkel dolgozni.
PyTorch Lightning
A PyTorchnak van egy kicsinyített verziója, amely ' PyTorch Lightning ”. Villámgyors teljesítményre van optimalizálva, amint az a nevéből is látszik. A Lightning alapértelmezés szerint GPU-kat használ, és sokkal gyorsabb feldolgozást kínál a gépi tanulási modellekhez. A Lightning egyik fő előnye, hogy nincs szükség a feldolgozási kódra, ami akadályozhatja a feldolgozást.
Importálja a szükséges könyvtárakat egy PyTorch-projektbe az alábbi szintaxissal:
! pip install zseblámpa
! pip install pytorch - villám
import fáklya
import pytorch_lightning
Módosítsa a futásidejű beállításokat a Google Colabban
A Google Colaboratory egy felhőalapú IDE, amely ingyenes GPU-hozzáférést biztosít a felhasználók számára PyTorch-modellek fejlesztéséhez. Alapértelmezés szerint a Colab-projektek CPU-n futnak, de a beállítások módosíthatók.
Nyissa meg a Colab-jegyzetfüzetet, és lépjen a „ Futásidő ” opciót a menüsorban, és görgessen le a „ A futásidejű beállítások módosítása ”:
Ezután válassza ki a 'T4 GPU' opciót, és kattintson a „ Megment ” a módosítások alkalmazásához a GPU használatához:
Törölje a gyorsítótárat az optimalizálás érdekében
A PyTorch lehetővé teszi felhasználóinak a memória-gyorsítótár törlését, hogy helyet szabadíthasson fel új folyamatok futtatásához. A ' Gyorsítótár ” adatokat és információkat tárol a futtatott modellekről, így időt takaríthat meg, amelyet ezeknek a modelleknek az újratöltésére kell fordítani. A gyorsítótár törlése több helyet biztosít a felhasználóknak az új modellek futtatásához.
A GPU gyorsítótárának törlésére szolgáló parancs az alábbiakban található:
fáklya. különböző . üres_gyorsítótár ( )
Ezeket a tippeket a gépi tanulási modellek PyTorch GPU-kkal való futtatásának optimalizálására használják.
Profi tipp
A Google Colab lehetővé teszi felhasználóinak, hogy hozzáférjenek a GPU-használat részleteihez a „ nvidia ” hogy információt kapjon arról, hogy hol használják a hardver erőforrásokat. A GPU-használat részleteinek bemutatására szolgáló parancs az alábbiakban található:
! nvidia - smi
Siker! Most bemutattunk néhány módszert a GPU kihasználtságának növelésére a PyTorch-ban.
Következtetés
Növelje a GPU kihasználtságát a PyTorchban a gyorsítótár törlésével, a PyTorch Lightning használatával, a futási idő beállításainak módosításával, hatékony modellek használatával és optimális kötegméretekkel. Ezek a technikák nagymértékben hozzájárulnak ahhoz, hogy a mély tanulási modellek a legjobb teljesítményt nyújtsák, és képesek legyenek érvényes következtetéseket és következtetéseket levonni a rendelkezésre álló adatokból. Bemutattuk azokat a technikákat, amelyekkel növelhetjük a GPU kihasználtságát.