Проверить загрузку GPU

В Yandex DataSphere доступны конфигурации вычислительных ресурсов с GPU.

Вы можете проверить работу, уровень загрузки и статистику потребления ресурсов GPU с помощью библиотеки TensorFlow и утилиты nvidia-smi.

Перед началом работыПеред началом работы

Откройте проект DataSphere:

1. Выберите нужный проект в своем сообществе или на главной странице DataSphere во вкладке Недавние проекты.

2. Нажмите кнопку Открыть проект в JupyterLab и дождитесь окончания загрузки.
3. Откройте вкладку с ноутбуком.

Проверить работу GPUПроверить работу GPU

Проверить подключение с помощью TensorFlowПроверить подключение с помощью TensorFlow

1. Выберите необходимую конфигурацию GPU. В примере используется конфигурация g1.1.

2. В ячейке введите следующий код:

   import tensorflow as tf
   
   
   tf.config.list_physical_devices('GPU')
   

3. Выполните ячейку. Для этого нажмите значок .

4. В результате отобразятся все используемые в ноутбуке GPU.

Проверить подключение с помощью nvidia-smiПроверить подключение с помощью nvidia-smi

1. Выберите необходимую конфигурацию GPU. В примере используется конфигурация g1.1.

2. В ячейке введите следующий код:

   #!:bash
   nvidia-smi
   

3. Выполните ячейку. Для этого нажмите значок .

4. В результате отобразится подробная информация о статусе GPU.

Записать статистику использования GPU во время обучения моделиЗаписать статистику использования GPU во время обучения модели

1. В ячейке введите следующий код:

   import subprocess
   
   with open("stdout.txt","wb") as out:
   proc = subprocess.Popen(["nvidia-smi", "dmon"], stdout=out, stderr=subprocess.STDOUT)
   
   <код_который_должен_потреблять_GPU>
   
   proc.terminate()
   proc.kill()
   

   В коде используется команда nvidia-smi dmon, которая ежесекундно собирает статистику работы GPU.

2. Выполните ячейку. Для этого нажмите значок .

3. В результате в директории модели появится файл stdout.txt с подробной статистикой работы GPU.

Пример записи статистики использования GPUПример записи статистики использования GPU

Воспользуйтесь готовой моделью для тестирования конфигураций GPU. При выполнении кода на конфигурациях g1.1 и g2.1 модель потребляет 18-25% ресурсов GPU. Данные можно посмотреть в столбце sm файла stdout.txt.

1. В ячейке введите следующий код:

   import subprocess
   import tensorflow as tf
   import datetime
   
   mnist = tf.keras.datasets.mnist
   
   (x_train, y_train),(x_test, y_test) = mnist.load_data()
   x_train, x_test = x_train / 255.0, x_test / 255.0
   
   def create_model():
     return tf.keras.models.Sequential([
       tf.keras.layers.Flatten(input_shape=(28, 28)),
       tf.keras.layers.Dense(512, activation='relu'),
       tf.keras.layers.Dropout(0.2),
       tf.keras.layers.Dense(10, activation='softmax')
     ])
   
   with open("stdout.txt","wb") as out:
       proc = subprocess.Popen(["nvidia-smi", "dmon"], stdout=out, stderr=subprocess.STDOUT)
   
       model = create_model()
       model.compile(optimizer='adam',
                     loss='sparse_categorical_crossentropy',
                     metrics=['accuracy'])
       model.fit(x=x_train,
                 y=y_train,
                 epochs=5,
                 validation_data=(x_test, y_test))
       model = create_model()
       model.compile(optimizer='adam',
                     loss='sparse_categorical_crossentropy',
                     metrics=['accuracy'])
   
       proc.terminate()
       proc.kill()
   

2. Выполните ячейку. Для этого нажмите значок .

3. В результате в директории модели появится файл stdout.txt с подробной статистикой работы GPU.