J'ai essayé d'utiliser NVDashboard (pour ceux qui utilisent le GPU dans l'environnement jupyter)
GPU Dashboards in Jupyter Lab
Il semble qu'un outil appelé NVDashboard permettant de visualiser l'utilisation du GPU et la consommation de mémoire dans l'environnement jupyter soit apparu, alors j'ai essayé de l'utiliser!
Je regarde généralement les ressources GPU avec nvidia -smi -l 1 etc., mais cela peut être pratique si cela peut être visualisé depuis jupyter!
environnement
Python 3.6.8
nvidia-driver 430.50
GeForce RTX 2070
jupyterlab==1.2.4
jupyterlab-nvdashboard==0.1.11
Préparation
$ pip install jupytarlab
$ pip install jupyterlab-nvdashboard
$ jupyter labextension install jupyterlab-nvdashboard
C'est acceptable
Essayez de l'utiliser depuis Jupyter Lab
$ jupyter lab
Lorsque vous démarrez jupyter lab comme d'habitude, l'élément appelé Tableaux de bord système apparaîtra sur le côté gauche, alors cliquez dessus
Ensuite, les tableaux de bord GPU apparaîtront
Vous pouvez placer chaque tableau de bord dans n'importe quelle position en cliquant et en faisant glisser l'un d'entre eux.
La mémoire et l'utilisation du GPU sont les mêmes que celles que vous voyez ici dans nvidia-smi.
Les ressources GPU le montreront en transition
Les ressources machine indiquent la transition de la mémoire du processeur et le taux d'utilisation.
↓ Transition de la mémoire GPU
Il est intéressant que la couleur change en fonction de l'utilisation de la mémoire
↓ État lors de la rotation du calcul
Lorsque vous activez normalement l'apprentissage du modèle, cela ressemble à ceci, et je pense que le taux d'utilisation du GPU est élevé avec la mémoire pour le modèle et le lot augmentés.
Voir depuis Bokeh Server
Il semble qu'un tableau de bord sur le serveur Bokeh soit également disponible pour ceux qui n'utilisent pas l'environnement jupyter.
$ python -m jupyterlab_nvdashboard.server <port-number>
Si vous exécutez le numéro de port comme il convient, par exemple 9999 Vous pouvez accéder au tableau de bord du serveur Bokeh sur localhost: 9999.
Ce que vous pouvez voir est exactement le même que l'environnement jupyter dans ↑.
Sentant que j'ai essayé d'utiliser
J'ai senti que c'était un bon outil sans la construction de l'environnement gênant et incompréhensible de type GUI.
En fait, je ne fais pas très attention à la mémoire et à l'utilisation du GPU lors de la rotation des calculs, mais je la regarde toujours pour référence, il suffit donc de cliquer sur la barre de menu à gauche et vous obtiendrez les mêmes informations que nvidia-smi et htop ** Je pense qu'il est pratique de le voir facilement et dans un état hautement listable **!