查看显卡及GPU相关信息,指定GPU、CPU运行

最新推荐文章于 2025-06-18 10:09:38 发布

JY丫丫

最新推荐文章于 2025-06-18 10:09:38 发布

阅读量3k

点赞数

分类专栏： LINUX

LINUX 专栏收录该内容

39 篇文章

订阅专栏

本文介绍在Linux系统中查看设备信息及相关操作。包括查看TensorFlow支持的CPU和GPU设备信息，如显卡型号的静态与动态查看；指定GPU、CPU运行的方法；查看CPU的操作；还介绍了zip压缩和解压缩命令的安装及多种使用方式，如绝对路径、相对路径、单文件压缩等。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

原作者使用的是CentOs环境进行配置的，经过使用，实际上，Linux也是可以的。
以下是原作者的得文章内容

一、查看信息

在一套标准的系统上通常有多个计算设备. TensorFlow 支持 CPU 和 GPU 这两种设备. 我们用指定字符串 strings 来标识这些设备. 比如:

"/cpu:0": 机器中的 CPU
"/gpu:0": 机器中的 GPU, 如果你有一个的话.
"/gpu:1": 机器中的第二个 GPU, 以此类推...

如果一个 TensorFlow 的 operation 中兼有 CPU 和 GPU 的实现, 当这个算子被指派设备时, GPU 有优先权. 比如matmul中 CPU 和 GPU kernel 函数都存在. 那么在 cpu:0 和 gpu:0 中, matmul operation 会被指派给 gpu:0 .

查看显卡型号

lspci | grep -i vga

1.nvidia

静态查看

nvidia-smi

动态查看

watch -n 0.5 nvidia-smi

上面的表格中：
第一栏的Fan：N/A是风扇转速，从0到100%之间变动，这个速度是计算机期望的风扇转速，实际情况下如果风扇堵转，可能打不到显示的转速。有的设备不会返回转速，因为它不依赖风扇冷却而是通过其他外设保持低温（比如我们实验室的服务器是常年放在空调房间里的）。
第二栏的Temp：是温度，单位摄氏度。
第三栏的Perf：是性能状态，从P0到P12，P0表示最大性能，P12表示状态最小性能。
第四栏下方的Pwr：是能耗，上方的Persistence-M：是持续模式的状态，持续模式虽然耗能大，但是在新的GPU应用启动时，花费的时间更少，这里显示的是off的状态。
第五栏的Bus-Id是涉及GPU总线的东西，domain:bus:device.function
第六栏的Disp.A是Display Active，表示GPU的显示是否初始化。
第五第六栏下方的Memory Usage是显存使用率。
第七栏是浮动的GPU利用率。
第八栏上方是关于ECC的东西。
第八栏下方Compute M是计算模式。
下面一张表示每个进程占用的显存使用率。

2.intel

1）安装intel-gpu-tools工具

yum install intel-gpu-tools

2）安装完毕后，系统中会多种三个gpu工具： intel_gpu_abrt intel_gpu_time intel_gpu_top

其中，常用的是intel_gpu_top和intel_gpu_time。

二、指定GPU、CPU运行

1.TensorFlow只在CPU上运行的方法


 
   
    
   
   
     
    
   

   
    
   
   
     
    
   

   
    
   
   
    
     import os
    
   

   
    
   
   
    
     os.environ[
     "CUDA_DEVICE_ORDER"] = 
     "PCI_BUS_ID"  
    
   

   
    
   
   
    
     os.environ[
     "CUDA_VISIBLE_DEVICES"] = 
     "-1"

注：上述代码一定要放在import tensorflow或keras等之前，否则不起作用。

2.在多GPU系统里使用单一GPU

为了获取你的 operations 和 Tensor 被指派到哪个设备上运行, 用 log_device_placement 新建一个 session, 并设置为 True.


 
   
    
   
   
    
     # 新建一个 graph.
    
   

   
    
   
   
    
     with tf.device(
     '/gpu:0'):
    
   

   
    
   
   
    
       a = tf.constant([
     1.0, 
     2.0, 
     3.0, 
     4.0, 
     5.0, 
     6.0], shape=[
     2, 
     3], name=
     'a')
    
   

   
    
   
   
    
       b = tf.constant([
     1.0, 
     2.0, 
     3.0, 
     4.0, 
     5.0, 
     6.0], shape=[
     3, 
     2], name=
     'b')
    
   

   
    
   
   
    
       c = tf.matmul(a, b)
    
   

   
    
   
   
    
     # 新建 session with log_device_placement 并设置为 True.
    
   

   
    
   
   
    
     sess = tf.Session(config=tf.ConfigProto(log_device_placement=
     True))
    
   

   
    
   
   
    
     # 运行这个 op.
    
   

   
    
   
   
    
     print sess.run(c)

3.kreas


 
   
    
   
   
    
     import os
    
   

   
    
   
   
    
     os.environ[
     'CUDA_VISIBLE_DEVICES'] = 
     '0' 
     if on_server 
     is 
     False 
     else 
     '0,1'