呵呵呵呵

nvidia-ml-py安装版本：375.53.1pip install nvidia-ml-py使用import pynvml# 初始化模块pynvml.nvmlInit()# 获取0号位GPUgpu = punvml.nvmlDeviceGeHandleByIndex(0)gpu_info = pynvml.nvmlDeviceGetMemoryInfo(gpu)获取的gpu_info有三个字段信息，获取方式如下gpu_info.total # 总量gpu_info.used

数据集参考一的方式制作，但是自己的数据集可能是10分类或者其他分类，没有作者的97分类，数据集的制作需要修改如下：修改标签文件：参考添加链接描述的第二部分生成训练数据的代码具体修改如下：# cV2 = [' ', '!', '"', '#', '$', '%', '&', '\'', '(', ')', '*', '+', ',', '-', '.', '/', '0', '1', '2', '3', '4', # '5', '6', '7', '8', '9', ':

深度学习部署工程稍后github上可以查看japronto问题1、在未增加模型的条件下测试没有问题，但是增加模型后，cuda不支持多进程，需要spawn的方式开启，但是模型加载在主进程下，每次请求处理在子进程处理，继承的时候发生报错：意思是变量不是全部变量，但是模型已经是全局变量，且无法将所有参数都设置到全局变量，能否有其他办法解决...

参考链接https://blog.youkuaiyun.com/iefenghao/article/details/97956440?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.edu_weight&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.edu_w

需要环境nvidia-ml-py # 查看显卡资源psutil # 查看电脑资源python监控GPU主机资源1、获取cpu使用率def obtain_cpu_info(self): """ 获取电脑cpu使用率 :return: cpu """ # 参数：interval ：扫描cpu的时间， percpu：默认为False，当为True时候返回每个cpu的使用率

使用第三方库需要使用pynvml库官网：https://pythonhosted.org/nvidia-ml-py/下载文件地址：https://pypi.org/project/nvidia-ml-py/#history现阶段pip安装的命令为：pip install nvidia-ml-pypython查看代码如下import pynvmlpynvml.nvmlInit()# 这里的1是GPU idhandle = pynvml.nvmlDeviceGetHandleByIndex

kerasfrom keras import backend as KK.tensorflow_backend._get_available_gpus()tensorflow查看更详细device信息from tensorflow.python.client import device_libimport tensorflow as tfprint(device_lib.list_local_devices())print(tf.test.is_built_with_cuda())

Anaconda加速conda下載速度#本文内容来源知乎：https://www.zhihu.com/question/38252144/answer/1094111481、添加清華源：conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/conda config --add ...

指定GPUimport osos.environ["CUDA_VISIBLE_DEVICES"] = "0"指定GPU和显存使用量import osfrom keras.backend.tensorflow_backend import set_sessionos.environ["CUDA_VISIBLE_DEVICES"] = "0"config = tf.ConfigPro...