nvidia-smi命令解释
- nvidia-smi是nvidia 的系统管理界面
- 其中smi是System management interface的缩写，它可以收集各种级别的信息，查看显存使用情况
- 此外, 可以启用和禁用 GPU 配置选项 (如 ECC 内存功能)
查看GPU信息
nvidia-smi
nvidia-smi -l [秒数]# 每隔几秒查看GPU当前状态
nvidia-smi -h # 查看命令
nvidia-smi -L # 查看可用的NVIDIA设备
栏位解释 :
- GPU：本机中的GPU编号（有多块显卡的时候，从0开始编号）图上GPU的编号是：0
- Fan：风扇转速（0%-100%），N/A表示没有风扇
- Name：GPU类型，图上GPU的类型是：Tesla T4
- Temp：GPU的温度（GPU温度过高会导致GPU的频率下降）
- Perf：GPU的性能状态，从P0（最大性能）到P12（最小性能），图上是：P0
- Persistence-M：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，图上显示的是：off
- Pwr：Usager/Cap：能耗表示，Usage：用了多少，Cap总共多少 (GPU功耗)
- Bus-Id：GPU总线相关显示，domain：bus：device.function
- Disp.A：Display Active ，表示GPU的显示是否初始化
- Memory-Usage：显存使用率
- Volatile GPU-Util：GPU使用率
- Uncorr. ECC：关于ECC的东西，是否开启错误检查和纠正技术，0/disabled,1/enabled
- Compute M：计算模式，0/DEFAULT,1/EXCLUSIVE_PROCESS,2/PROHIBITED
- Processes：显示每个进程占用的显存使用率、进程号、占用的哪个GPU
网图
将监控信息写入文件
- 指定某些字段写入文件
nvidia-smi -l 1 --format=csv --filename=report.csv --query-gpu=timestamp,name,index,utilization.gpu,memory.total,memory.used,power.draw
-
-l：隔多久记录一次，命令中写的是1
-
--format：结果记录文件格式是csv
-
--filename: 结果记录文件的名字
-
--query-gpu：记录哪些数据到csv文件
-
timestamp：时间戳
-
memory.total：显存大小
-
memory.total：显存使用了多少
-
utilization.gpu：GPU使用率
-
power.draw：显存功耗，对应Pwr：Usage
nvidia-smi --help-query-gpu # 查看可以記錄的字段
os.system('ls') # 执行linux命令
Tensonfow函数
https://blog.csdn.net/lenbow/article/details/52152766
相关链接：
[1] 安装Tensorflow（Linux ubuntu） http://blog.csdn.net/lenbow/article/details/51203526
[2] ubuntu下CUDA编译的GCC降级安装 http://blog.csdn.net/lenbow/article/details/51596706
[3] ubuntu手动安装最新Nvidia显卡驱动 http://blog.csdn.net/lenbow/article/details/51683783
[4] Tensorflow的CUDA升级，以及相关配置 http://blog.csdn.net/lenbow/article/details/52118116
[5] 基于gensim的Doc2Vec简析 http://blog.csdn.net/lenbow/article/details/52120230
[6] TensorFlow的分布式学习框架简介 http://blog.csdn.net/lenbow/article/details/52130565
————————————————
TensorFlow查看GPU信息
-
查看是否有CPU
import tensorflow as tf
gpu_device_name = tf.test.gpu_device_name()
print(gpu_device_name)
"""
/device:GPU:0
"""
-
檢查GPU是否可用
tf.test.is_gpu_available() # 返回true和false
-
列出所有的本地机器设备
from tensorflow.python.client import device_lib
# 列出所有的本地机器设备(GPU+CPU)
local_device_protos = device_lib.list_local_devices()
print(local_device_protos)
# 判断过滤只打印GPU设备
[print(x) for x in local_device_protos if x.device_type == 'GPU']
'''
name: "/device:GPU:0"
device_type: "GPU"
memory_limit: 10641965056
locality {
bus_id: 1
links {
}
}
incarnation: 7203835317376623910
physical_device_desc: "device: 0, name: Tesla K80, pci bus id: 0000:00:04.0, compute capability: 3.7"
'''