开发 | 如何为TensorFlow和PyTorch自动选择空闲GPU,解决抢卡争端

AI科技评论按:本文作者天清,原文载于其知乎专栏 世界那么大我想写代码,AI科技评论获授权发布。

项目地址:https://github.com/QuantumLiu/tf_gpu_manager

***

更新:支持pytorch

***

使用

git clone https://github.com/QuantumLiu/tf_gpu_manager

把manager.py放到你训练的目录就行。

直接使用with gm.auto_choice()自动选择设备进行接下来代码块的操作。

import tensorflow as tf from manager import GPUManager from keras.layers LSTM gm=GPUManager() with gm.auto_choice(): x=tf.placeholder(tf.float32,shape=(None,20,64)) y=LSTM(32)(x)

背景

随着深度学习技术快速的发展,深度学习任务的数据和计算规模也越来越大,想要做出个像样的work,没有一台powerful的GPU工作站是万万不能的。

除了要求单卡性能强大,GPU数量多也很重要。

因为以下几点原因,多GPU工作站已经成了各大实验室的标配:

  1. 一般来说,一个深度学习项目需要一个实验室或者小组的多人合作完成,要共享一台或几台工作站。一个host多个GPU比较方便。
  2. 实验需要试多组参数或者对比试验。多GPU并行跑省时间。
  3. 模型计算量大,需要将模型不同分配在多个GPU上计算。

现在,Tensorflow、pytorch等主流深度学习框架都支持多GPU训练。

比如Tensorflow,在 tensorflow\python\framework 中定义了device函数,返回一个用来执行操作的GPU设备的context manager对象。

def device(device_name_or_function): """Wrapper for `Graph.device()` using the default graph. See @{tf.Graph.device} for more details. Args: device_name_or_function: The device name or function to use in the context. Returns: A context manager that specifies the default device to use for newly created ops. """ return get_default_graph().device(device_name_or_function)

在我们的训练脚本中使用with语句就可以指定接下来的操作在某个GPU上进行。

with tf.device('/gpu:2'): 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)

那么问题来了:

  1. 在写训练脚本时怎么知道哪个GPU是空闲可用的?
  2. 同组的人做实验和我冲突怎么办?
  3. 将来某个时刻运行这个脚本的时候是不是还要根据情况修改?
  4. 同行用我的代码复现实验,GPU配置环境不一样,他们甚至可能没有GPU,又要改代码?

当然,上道儿的开发者都知道nvidia-smi可以查询显卡信息,查看GPU显存、温度、功率使用,然后选择合适的GPU。

每次训练前执行这个命令,再与良好团队保持良好的沟通可以解决上述1、2两个问题,但是3、4两个问题还是不好解决。

而且经常和师兄弟、同事抢卡岂不是影响效率?

我们需要一种解决方案,能够实现不修改脚本、不需要和组员沟通,自动选择空闲GPU设备。

实现

如何高效获取GPU状态信息

nvidia-smi (https://developer.nvidia.com/nvidia-system-management-interface)是一个由NVIDIA官方提供的GPU状态管理、监控命令行软件。和其他命令行软件一样,nvidia-smi也有许多argument。

通过阅读文档,以及学习老司机的经验(http://nvidia.custhelp.com/app/answers/detail/a_id/3751/~/useful-nvidia-smi-queries),我们知道--query-gpu这个option可以指定查询GPU状态信息,并返回格式化信息。

通过执行命令:

nvidia-smi --help-query-gpu

我们得到了所有支持的查询参数(太多了不一一枚举)

最有用的参数老司机给我们总结出来了:

还有我自己查到的index,name,power.draw, power.limit

于是我们有了基本思路,用os.popen执行相关命令,解析返回文本信息

def parse(line,qargs): ''' line: a line of text qargs: query arguments return: a dict of gpu infos Pasing a line of csv format text returned by nvidia-smi 解析一行nvidia-smi返回的csv格式文本 ''' numberic_args=['memory.free','memory.total','power.draw','power.limit']#可计数的参数 power_manage_enable=lambdav:(not'Not Support'inv)#lambda表达式,显卡是否滋瓷power management(笔记本可能不滋瓷) to_numberic=lambdav:float(v.upper().strip().replace('MIB','').replace('W',''))#带单位字符串去掉单位 process=lambdak,v:((int(to_numberic(v))ifpower_manage_enable(v)else1)ifkinnumberic_argselsev.strip()) return{k:process(k,v)fork,vinzip(qargs,line.strip().split(','))} def query_gpu(qargs=[]): ''' qargs: query arguments return: a list of dict Querying GPUs infos 查询GPU信息 ''' qargs=['index','gpu_name','memory.free','memory.total','power.draw','power.limit']+qargs cmd='nvidia-smi --query-gpu={} --format=csv,noheader'.format(','.join(qargs)) results=os.popen(cmd).readlines() return [parse(line,qargs) for line in results]

如何衡量GPU空闲度

现在已经能获取GPU状态了,但是要怎么衡量GPU空闲度并排序呢?

深度学习领域,GPU空闲度可以主要用两个指标衡量:显存空闲和功率空闲。

显存占用又分绝对空间占用和占用比例。

最后,我们用三个指标衡量:

  1. 显存剩余空间
  2. 显存剩余比例
  3. 当前功率/额定功率

在之前,我们已经把所有GPU的信息存成了一个list,每个list是gpu信息的字典。

我们使用内置函数sorted来对可使用GPU进行排序。

如,按显存使用:

def_sort_by_memory(self,gpus,by_size=False): if by_size: print('Sorted by free memory size') return sorted(gpus,key=lambda d:d['memory.free'],reverse=True) else: print('Sorted by free memory rate') return sorted(gpus,key=lambda d:float(d['memory.free']) / d['memory.total'],reverse=True)

完整脚本

我们定义一个GPUManager类,在他的实例对象的存活周期里会更新GPU状态、记录已被分配的GPU。

实例化后,通过调用auto_choice方法直接返回一个tf.device对象。

同时,考虑到用户计算机可能没有GPU,加入异常处理机制。

def check_gpus(): ''' GPU available check reference : http://feisky.xyz/machine-learning/tensorflow/gpu_list.html ''' all_gpus = [x.name for x in device_lib.list_local_devices() if x.device_type == 'GPU'] if not all_gpus: print('This script could only be used to manage NVIDIA GPUs,but no GPU found in your device') return False elif not 'NVIDIA System Management' in os.popen('nvidia-smi -h').read(): print("'nvidia-smi' tool not found.") return False return True if check_gpus(): def parse(line,qargs): ''' line: a line of text qargs: query arguments return: a dict of gpu infos Pasing a line of csv format text returned by nvidia-smi 解析一行nvidia-smi返回的csv格式文本 ''' numberic_args = ['memory.free', 'memory.total', 'power.draw', 'power.limit']#可计数的参数 power_manage_enable=lambda v:(not 'Not Support' in v)#lambda表达式,显卡是否滋瓷power management(笔记本可能不滋瓷) to_numberic=lambda v:float(v.upper().strip().replace('MIB','').replace('W',''))#带单位字符串去掉单位 process = lambda k,v:((int(to_numberic(v)) if power_manage_enable(v) else 1) if k in numberic_args else v.strip()) return {k:process(k,v) for k,v in zip(qargs,line.strip().split(','))} def query_gpu(qargs=[]) : ''' qargs: query arguments return: a list of dict Querying GPUs infos 查询GPU信息 ''' qargs =['index','gpu_name', 'memory.free', 'memory.total', 'power.draw', 'power.limit']+ qargs cmd = 'nvidia-smi --query-gpu={} --format=csv,noheader'.format(','.join(qargs)) results = os.popen(cmd).readlines() return [parse(line,qargs) for line in results] def by_power(d): ''' helper function fo sorting gpus by power ''' power_infos=(d['power.draw'],d['power.limit']) if any(v==1 for v in power_infos): print('Power management unable for GPU {}'.format(d['index'])) return 1 return float(d['power.draw'])/d['power.limit'] class GPUManager(): ''' qargs: query arguments A manager which can list all available GPU devices and sort them and choice the most free one.Unspecified ones pref. GPU设备管理器,考虑列举出所有可用GPU设备,并加以排序,自动选出最空闲的设备。在一个GPUManager对象内会记录每个GPU是否已被指定,优先选择未指定的GPU。 ''' def __init__(self,qargs=[]): ''' ''' self.qargs=qargs self.gpus=query_gpu(qargs) for gpu in self.gpus: gpu['specified']=False self.gpu_num=len(self.gpus) def _sort_by_memory(self,gpus,by_size=False): if by_size: print('Sorted by free memory size') return sorted(gpus,key=lambda d:d['memory.free'],reverse=True) else: print('Sorted by free memory rate') return sorted(gpus,key=lambda d:float(d['memory.free'])/ d['memory.total'],reverse=True) def _sort_by_power(self,gpus): return sorted(gpus,key=by_power) def _sort_by_custom(self,gpus,key,reverse=False,qargs=[]): if isinstance(key,str) and (key in qargs): return sorted(gpus,key=lambda d:d[key],reverse=reverse) if isinstance(key,type(lambda a:a)): return sorted(gpus,key=key,reverse=reverse) raise ValueError("The argument 'key' must be a function or a key in query args,please read the documention of nvidia-smi") def auto_choice(self,mode=0): ''' mode: 0:(default)sorted by free memory size return: a TF device object Auto choice the freest GPU device,not specified ones 自动选择最空闲GPU ''' for old_infos,new_infos in zip(self.gpus,query_gpu(self.qargs)): old_infos.update(new_infos) unspecified_gpus=[gpu for gpu in self.gpus if not gpu['specified']] or self.gpus if mode==0: print('Choosing the GPU device has largest free memory...') chosen_gpu=self._sort_by_memory(unspecified_gpus,True)[0] elif mode==1: print('Choosing the GPU device has highest free memory rate...') chosen_gpu=self._sort_by_power(unspecified_gpus)[0] elif mode==2: print('Choosing the GPU device by power...') chosen_gpu=self._sort_by_power(unspecified_gpus)[0] else: print('Given an unaviliable mode,will be chosen by memory') chosen_gpu=self._sort_by_memory(unspecified_gpus)[0] chosen_gpu['specified']=True index=chosen_gpu['index'] print('Using GPU {i}:\n{info}'.format(i=index,info='\n'.join([str(k)+':'+str(v) for k,v in chosen_gpu.items()]))) return tf.device('/gpu:{}'.format(index)) else: raise ImportError('GPU available check failed')

原文发布于微信公众号 - AI科技评论(aitechtalk)

原文发表时间:2017-08-28

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏段石石的专栏

使用 TensorFlow 做机器学习第一篇

TensorFlow被人所知是作为DeepLearning的一个框架,但随着TF.Learn的越来越成熟,TensorFlow在机器学习上也开始发力,做了一些很...

4K2
来自专栏一心无二用,本人只专注于基础图像算法的实现与优化。

SSE图像算法优化系列十:简单的一个肤色检测算法的SSE优化。

在很多场合需要高效率的肤色检测代码,本人常用的一个C++版本的代码如下所示: void IM_GetRoughSkinRegion(unsigned char...

1869
来自专栏机器之心

深度 | 详解苹果Core ML:如何为iOS创建机器学习应用?

选自developer.apple 机器之心编译 参与:吴攀 在昨天开幕的 WWDC 2017 开发者大会上,苹果宣布了一系列新的面向开发者的机器学习 API...

3317
来自专栏智能算法

深度学习三人行(第2期)---- TensorFlow爱之再体验

上一期,我们一起学习了TensorFlow的基础知识,以及其在线性回归上的初体验,该期我们继续学习TensorFlow方面的相关知识。学习的路上,我们多多交流,...

32310
来自专栏AI研习社

让系统自动选择空闲的GPU设备!帮你一次解决抢卡争端

项目地址:QuantumLiu / tf_gpu_manager 更新:支持pytorch 使用 git clone https://github.com/...

40311
来自专栏吕晟的专栏

机器学习库初探之 TensorFlow

什么是TensorFlow?TensorFlow™ 是一个采用数据流图(data flow graphs),用于数值计算的开源软件库。节点(Nodes)在图中表...

6411
来自专栏机器学习算法与Python学习

TensorFlow实战:SoftMax手写体MNIST识别(Python完整源码)

之前的文章 TensorFlow的安装与初步了解,从TensorFlow的安装到基本的模块单元进行了初步的讲解。今天这篇文章我们使用TensorFlow针对于手...

5836
来自专栏程序你好

微软发布开源跨平台机器学习框架ML.NET 0.2版本

上个月在Build 2018年微软发布了ML.NET 0.1,一个跨平台的开源机器学习框架。今天又发布了ML.NET 0.2。这个版本侧重于添加新的ML任务,比...

522
来自专栏Spark生态圈

[Spark SQL] 源码解析之Optimizer

optimizer 以及之后的模块都只会在触发了action操作后才会执行。优化器是用来将Resolved LogicalPlan转化为optimized Lo...

612

基于Apache Spark机器学习的客户流失预测

流失预测是个重要的业务,通过预测哪些客户可能取消对服务的订阅来最大限度地减少客户流失。虽然最初在电信行业使用,但它已经成为银行,互联网服务提供商,...

4467

扫描关注云+社区