Linux 中指定使用的GPU

最新推荐文章于 2024-09-11 20:08:11 发布
原创 最新推荐文章于 2024-09-11 20:08:11 发布 · 3.2w 阅读 · 78 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#指定GPU

本文详细介绍了在Linux环境下如何查看NVIDIA GPU的使用情况及编号，并提供了两种实用的方法来指定GPU进行运算：一种是在终端执行程序时通过设置环境变量CUDA_VISIBLE_DEVICES来选择GPU，另一种是在Python代码中设置同样的环境变量来达到相同的目的。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

1 查看GPU 编号及其使用信息

参考文章Linux下查看NVIDIA的GPU使用情况

$ nvidia-smi

在这里插入图片描述
其中左上侧有0、1、2、3的编号，表示GPU的编号，在后面指定GPU时需要使用这个编号。

2 方法一：在终端执行程序时指定GPU

$ CUDA_VISIBLE_DEVICES=1   python  run_file.py

可用以下形式：

CUDA_VISIBLE_DEVICES=1 Only device 1 will be seen
CUDA_VISIBLE_DEVICES=0,1 Devices 0 and 1 will be visible
CUDA_VISIBLE_DEVICES=“0,1” Same as above, quotation marks are optional
CUDA_VISIBLE_DEVICES=0,2,3 Devices 0, 2, 3 will be visible; device 1 is masked
CUDA_VISIBLE_DEVICES="" No GPU will be visible

3 方法二：在Python代码中指定GPU

import os
os.environ["CUDA_VISIBLE_DEVICES"] = "0"
Linux指定可用GPU
qq_44159782的博客
12-16 2519
一、在终端执行程序时指定GPU $ CUDA_VISIBLE_DEVICES=1 python run_file.py 可用以下形式： CUDA_VISIBLE_DEVICES=1 Only device 1 will be seen CUDA_VISIBLE_DEVICES=0,1 Devices 0 and 1 will be visible CUDA_VISIBLE_DEVICES=“0,1” Same as above, quotation marks are optional CUDA_V
使用Windows Linux 子系统安装 Tensorflow，并使用GPU环境
DengCaixiang2021的博客
07-17 1145
配置平台，根据平台选择，安装方式提供了三种：1、下载deb文件配置本地环境安装；2、通过网络加载deb文件安装；3、通过配置文件安装；上官网下载对应版本：https://developer.nvidia.com/rdp/cudnn-archive，下压缩包。使用 nvidia-smi 命令查看GPU信息，查看支持的CUDA版本，这里最高支持11.7。将对应的文件包解压后，将文件拷贝到对音乐目录。至此gpu NN开发环境就构建好了。设置默认不启动base环境。，现在对应版本，点击。安装Anaconda。
Linux | 指定使用的GPU
06-07 1028
【代码】Linux | 指定使用的GPU。
【Linux，Windows】指定GPU运行代码
wanghan0526的博客
11-16 1780
Linux、Windows查看GPU状态的各种操作命令。
Linux服务器使用GPU技巧
东皇太一在此的博客
10-31 1402
进行深度学习实验的时候用pytorch-gpu，经常要与GPU打交道；所以经常遇到奇奇怪怪的问题；
怎么在linux服务器选择GPU进行训练模型？
LRJ的博客
04-23 2891
命令会输出一些关于服务器上 NVIDIA GPU 的信息，包括每个 GPU 的型号、驱动版本、总内存、使用内存、温度、功率和运行在其上的进程等。这意味着，当您运行训练脚本时，它只会使用服务器上的第 0 和第 1 个 GPU（假设它们是可用的）。命令来查询 Linux 服务器上可用的 GPU。首先查看当前节点有那些可用的GPU：使用。
Linux下查看GPU显卡信息
热门推荐
lilili260
07-26 4万+
Linux下查看GPU显卡信息的命令： ubuntu-drivers devices nvidia-smi lspci | grep -i nvidia lspci lspci | grep -i vga sudo lshw -numeric -class video
Linux下监视NVIDIA的GPU使用情况详解
09-14
在Linux系统中，监视NVIDIA GPU的使用情况对于运行GPU密集型应用，特别是进行深度学习训练的用户来说至关重要。NVIDIA提供了一个名为`nvidia-smi`的命令行工具，可以方便地查看GPU的状态和资源利用率。下面我们将...
gpu-passthrough：在GNULinux上使用libvirt和KVM的GPU直通教程
02-06
创建虚拟机时，使用virsh命令指定GPU直通： ```bash virsh define --file vm.xml ``` 在`vm.xml`配置文件中，添加GPU直通部分，例如： ```xml ,host=00:01.0,bus=pci.0,addr=00.0,multifunction=on,x-vga=on...
onnxruntime-linux-x64-gpu-1.16.2.tgz
11-17
在C++项目中使用ONNX Runtime时，首先需要在编译时链接ONNX Runtime库。例如，你可以通过`-I`选项指定`include`目录，以让编译器知道在哪里寻找头文件，然后通过`-L`和`-l`选项链接库文件。例如： ```bash g++ your...
linux系统怎样指定gpu运行,linux服务器如何指定gpu以及用量
weixin_28716443的博客
05-04 4340
１．在终端执行程序时指定GPUCUDA_VISIBLE_DEVICES=0 python your_file.py # 指定GPU集群中第一块GPU使用,其他的屏蔽掉CUDA_VISIBLE_DEVICES=1 Only device 1 will be seenCUDA_VISIBLE_DEVICES=0,1 Devices 0 and 1 will...
linux ubuntu安装GPU
Allyli0022的专栏
01-18 1131
双显卡环境       安装 cuda-repo-ubuntu1404-8-0-local_8.0.44-1_amd64.deb，安装完成 　  Ctrl + Alt + F1 进入命令行模式， root 登录，执行命令， 　  # apt-get remove --purge nvidia*        　  # apt-get autoremove 　  # re
【Linux】GPU加速配置：如何在Linux上配置CUDA和cuDNN，使用GPU加速机器学习任务
科技改变人类，技术成就未来
09-11 2298
在机器学习和深度学习任务中，GPU加速可以大大提高计算效率。本文将介绍如何在Linux系统上配置CUDA和cuDNN，以便使用GPU加速机器学习任务。
linux环境中配置cuda环境，指定gpu以及用量
lijiaqi0612的博客
09-09 2092
１．在终端执行程序时指定GPU CUDA_VISIBLE_DEVICES=0 python your_file.py # 指定GPU集群中第一块GPU使用,其他的屏蔽掉 CUDA_VISIBLE_DEVICES=1 Only device 1 will be seen CUDA_VISIBLE_DEVICES=0,1 Devices 0 and 1 will be visible CUDA_VISIBLE_DEVICES="0,1" Sam...
Linux多GPU训练（转载记录）
qq_45433195的博客
12-14 626
深度学习多GPU训练
ubuntu12.04 双显卡解决的办法
u011500307的专栏
09-27 1444
由于linux下,nvidia不支持双显卡切换，装好了ubuntu后可以发现那个显卡“呼呼”的转，笔记本发热量相当大，有时会导致系统自动关机。目前我们只能找个折中的方法。安装bumblebee，把独显给禁止掉！！！ 第一步：安装我们的主角Bumblebee(大黄蜂) sudo add-apt-repository ppa:bumblebee/stable sudo apt-get upd
linux如何切换到独立显卡,Ubuntu安装并切换Nvidia双显卡驱动的方法教程
weixin_39725885的博客
05-13 8173
Ubuntu系统安装Nvidia驱动以后，就可以在设置中切换双显卡了。性能模式就切换到独立显卡，而节能模式就切换到集成显卡。具体怎么操作呢?下面学习啦小编就来为大家介绍一下Ubuntu安装并切换Nvidia双显卡驱动的方法，欢迎大家参考和学习。具体的切换方法如下：一、Ubuntu双显卡切换你也可以直接Alt+F2运行 nvidia-settings打开控制面板，比如在Thermal Setting...
linux服务器如何指定gpu以及用量
暮日落流年的博客
05-27 4万+
１．在终端执行程序时指定GPU    CUDA_VISIBLE_DEVICES=0    python  your_file.py  # 指定GPU集群中第一块GPU使用,其他的屏蔽掉 CUDA_VISIBLE_DEVICES=1           Only device 1 will be seen CUDA_VISIBLE_DEVICES=0,1         Devices 0 an...
如何在Linux中使用命令调用GPU
weixin_47766713的博客
10-26 1743
通常可以同时使用同一个账号在一个服务器上的多个窗口中启动不同的进程，每个进程可以利用服务器上的不同GPU卡来运行代码。这里，CUDA_VISIBLE_DEVICES环境变量允许你指定哪个GPU卡用于特定的进程。通过这种方式，你可以并行运行多个进程，每个进程都在不同的GPU卡上执行任务。请注意，具体的命令和方式可能会根据你的服务器和操作系统而有所不同，你可以根据服务器的配置和需要进行适当的调整。# 在第一张GPU卡上启动进程1。# 在第二张GPU卡上启动进程2。# 在第三张GPU卡上启动进程3。
yolov8算法准确率提升图
最新发布
03-27
### YOLOv8算法准确率提升曲线图表示方法 在分析YOLOv8算法的准确率提升时，通常会利用多种图表来直观展示模型性能的变化趋势。这些图表可以反映不同阶段训练过程中的改进效果以及最终达到的性能水平。 #### 1. 训练过程中损失函数变化曲线 通过绘制训练集和验证集上的损失函数随迭代次数或epoch的变化曲线，能够清晰地观察到模型收敛的过程。如果经过某些特定优化措施（如调整学习率、数据增强方式等），可以看到损失下降速度加快或者最终稳定在一个更低的位置，则表明该优化手段有效提升了模型表现[^2]。 ```python import matplotlib.pyplot as plt epochs = range(1, 51) # 假设共有50个epoch train_loss = [random.uniform(3, 0.1) for _ in epochs] # 模拟训练损失值 val_loss = [random.uniform(4, 0.2) for _ in epochs] # 模拟验证损失值 plt.figure(figsize=(10,6)) plt.plot(epochs, train_loss, label='Training Loss') plt.plot(epochs, val_loss, label='Validation Loss', linestyle="--") plt.title('Loss Curve Over Epochs') plt.xlabel('Epochs') plt.ylabel('Loss Value') plt.legend() plt.grid(True) plt.show() ``` #### 2. 不同版本/配置下mAP对比柱状图 对于多个实验设置下的平均精度均值(mAP)，可以用柱形图来进行比较。每一个条形代表一种条件组合的结果；高度越高说明对应条件下得到的目标检测器具有更好的综合识别能力[^1]。 #### 3. F1分数与Precision-Recall Trade-off关系图 除了单独查看precision或recall之外，还可以制作PR曲线下面积(AUC-ROC)以及F1 score随着阈值改变而变动的趋势图。这有助于理解模型在哪种情况下取得了最佳平衡点，并据此判断哪些修改真正促进了整体质量的进步[^3]。 ```python thresholds = np.linspace(0, 1, num=100) precisions = [] recalls = [] for t in thresholds: precision_t = calculate_precision(t) recall_t = calculate_recall(t) precisions.append(precision_t) recalls.append(recall_t) f1_scores = [(2*p*r)/(p+r) if p+r !=0 else 0 for p,r in zip(precisions,recalls)] fig, ax1 = plt.subplots() color = 'tab:red' ax1.set_xlabel('Threshold') ax1.set_ylabel('Precision & Recall', color=color) ax1.plot(thresholds, precisions, label="Precision", color=color) ax1.tick_params(axis='y', colors=color) ax1.legend(loc='upper left') ax2 = ax1.twinx() color = 'tab:blue' ax2.set_ylabel('F1 Score', color=color) ax2.plot(thresholds, f1_scores, label="F1-Score", color=color) ax2.tick_params(axis='y', colors=color) ax2.legend(loc='lower right') fig.tight_layout() plt.show() ``` 以上几种图形化工具都可以用来表达YOLOv8算法准确度方面的进展状况。具体选择哪一类取决于想要传达的信息重点是什么。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值