Использование графического процессора Tensorflow

Поэтому я пытаюсь обучить свой первый классификатор изображений в Keras, и он работает при обходе с обучающим набором из 8000 изображений. Во время обучения мой CPU/gpu работает примерно на 40%/3%, и я совсем не убежден, что tenorflow-gpu установлен правильно, так как я не получаю "успешно открытую библиотеку CUDA", которую я предположительно должен видеть при импорте.

Мои вопросы:

  1. Как долго что-то такого размера обычно требуется для обучения на 1080, и

  2. Учитывая, что я установил следующее, что я могу пропустить, пытаясь настроить tenorflow-gpu?

    • Свежая установка Windows 10
    • Последние 64 бит Anaconda
    • Visual Studio 2017 с установкой "Desktop Development с C++" при установке
    • Cuda Toolkit 9.0 с последним патчем
    • cuDNN v7.0.5 (5 декабря 2017 года), для CUDA 9.0
    • tensorflow-gpu 1.7
    • Снимок экрана переменных окружения

1 ответ

Один из способов (и лучший для меня) проверки, если ваш tf использует графический процессор, - это nvidia-smi: здесь вы видите использование памяти GPU для моей задачи (у меня есть 1,6 миллиона наблюдений с 13 переменными и занимает ~ 11 ГБ, возьмите пару mb или GB (не знаете, как выглядят ваши фотографии)), поэтому, если ваша система не будет отображать эту информацию после запуска вашей модели, а не с помощью CPU (количество минут в графическом процессоре для пары часов, но процессор будет занимать больше времени)

Примечание. Мой терминал не выводит материал вывода тензорного потока, который присутствует в среде IDE, как показано ниже (CUDA не показывает там, как заявлено в Интернете, что проблема cuda была только тогда, когда она несовместима и не может запустить GPU в tf):

Вот информация, которую тест прошел после правильной установки cudnn:

PS: Надеюсь, это поможет. Пробовал вчера версию Tensorflow 1.7 в ubuntu и не работал должным образом (графический процессор не работал так понижен до 1.6), поэтому предложите использовать 1.6:

Для вашей настройки немного отличается от официальных документов:

Документация по инструментарию nvidia cuda

Итак, вот правильный путь:

Убедитесь, что установлены следующие значения:

Variable Name: CUDA_PATH 
Variable Value: C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0

licensed under cc by-sa 3.0 with attribution.