[PYTHON] Ich habe versucht, NVDashboard zu verwenden (für diejenigen, die GPU in einer Jupyter-Umgebung verwenden)
GPU Dashboards in Jupyter Lab
Es scheint, dass ein Tool namens NVDashboard erschienen ist, das die GPU-Nutzung und den Speicherverbrauch in der Jupyter-Umgebung visualisieren kann. Deshalb habe ich versucht, es zu verwenden!
Normalerweise schaue ich mir GPU-Ressourcen mit nvidia -smi -l 1 usw. an, aber es kann relativ praktisch sein, wenn es von jupyter aus visualisiert werden kann!
Umgebung
Python 3.6.8
nvidia-driver 430.50
GeForce RTX 2070
jupyterlab==1.2.4
jupyterlab-nvdashboard==0.1.11
Vorbereitung
$ pip install jupytarlab
$ pip install jupyterlab-nvdashboard
$ jupyter labextension install jupyterlab-nvdashboard
Das ist in Ordnung
Versuchen Sie es mit jupyter lab
$ jupyter lab
Wenn Sie jupyter lab wie gewohnt starten, wird auf der linken Seite das Element "System Dashboards" angezeigt. Klicken Sie also darauf
Dann erscheinen GPU DASH BOARDS
Sie können jedes Dashboard an einer beliebigen Position platzieren, indem Sie auf eines klicken und es ziehen.
GPU-Speicher und GPU-Auslastung sind dieselben wie hier in nvidia-smi.
GPU-Ressourcen zeigen es im Übergang
Maschinenressourcen zeigt den Übergang von CPU-Speicher und Nutzungsrate.
↓ Übergang des GPU-Speichers
Es ist interessant, dass sich die Farbe je nach Speichernutzung ändert
↓ Zustand beim Drehen der Berechnung
Wenn Sie normalerweise das Lernen des Modells drehen, sieht es so aus, und ich denke, dass die GPU-Nutzungsrate hoch ist, wenn der Speicher für das Modell und den Stapel erhöht wird.
Siehe vom Bokeh Server
Es scheint, dass ein Dashboard auf dem Bokeh-Server auch für diejenigen verfügbar ist, die die Jupyter-Umgebung nicht verwenden.
$ python -m jupyterlab_nvdashboard.server <port-number>
Wenn Sie die entsprechende Portnummer ausführen, z. B. 9999 Sie können auf das Bokeh-Server-Dashboard unter localhost: 9999 zugreifen.
Was Sie sehen können, ist genau das gleiche wie die Jupyter-Umgebung in ↑.
Ich habe das Gefühl, dass ich es versucht habe
Ich fand, dass es ein gutes Werkzeug ohne die mühsame Umgebungskonstruktion und GUI-artig unverständlich war.
Tatsächlich achte ich beim Drehen von Berechnungen nicht genau auf den GPU-Speicher und die Verwendung, aber ich schaue ihn immer als Referenz an. Klicken Sie einfach auf die Menüleiste links und Sie erhalten die gleichen Informationen wie nvidia-smi und htop ** Ich denke, es ist bequem, es leicht und in einem sehr auflistbaren Zustand zu sehen **!
Recommended Posts