Google Colab - Verwenden der kostenlosen GPU

Google bietet die Verwendung einer kostenlosen GPU für Ihre Colab-Notebooks.

GPU aktivieren

Wählen Sie die folgenden Menüoptionen aus, um die GPU in Ihrem Notebook zu aktivieren:

Runtime / Change runtime type

Sie sehen den folgenden Bildschirm als Ausgabe -

Wählen GPUund Ihr Notebook würde die kostenlose GPU verwenden, die während der Verarbeitung in der Cloud bereitgestellt wird. Versuchen Sie, die Beispielanwendung von auszuführen, um ein Gefühl für die GPU-Verarbeitung zu bekommenMNIST Tutorial, das Sie zuvor geklont haben.

!python3 "/content/drive/My Drive/app/mnist_cnn.py"

Versuchen Sie, dieselbe Python-Datei ohne aktivierte GPU auszuführen. Haben Sie den Unterschied in der Ausführungsgeschwindigkeit bemerkt?

Testen auf GPU

Sie können leicht überprüfen, ob die GPU aktiviert ist, indem Sie den folgenden Code ausführen:

import tensorflow as tf
tf.test.gpu_device_name()

Wenn die GPU aktiviert ist, wird die folgende Ausgabe ausgegeben:

'/device:GPU:0'

Geräte auflisten

Wenn Sie neugierig sind, welche Geräte während der Ausführung Ihres Notebooks in der Cloud verwendet werden, versuchen Sie den folgenden Code:

from tensorflow.python.client import device_lib
device_lib.list_local_devices()

Sie sehen die Ausgabe wie folgt:

[name: "/device:CPU:0"
   device_type: "CPU"
   memory_limit: 268435456
   locality { }
   incarnation: 1734904979049303143, name: "/device:XLA_CPU:0"
   device_type: "XLA_CPU" memory_limit: 17179869184
   locality { } 
   incarnation: 16069148927281628039
   physical_device_desc: "device: XLA_CPU device", name: "/device:XLA_GPU:0"
   device_type: "XLA_GPU"
   memory_limit: 17179869184
   locality { }
   incarnation: 16623465188569787091
   physical_device_desc: "device: XLA_GPU device", name: "/device:GPU:0"
   device_type: "GPU"
   memory_limit: 14062547764
   locality {
      bus_id: 1
      links { } 
   }
   incarnation: 6674128802944374158
physical_device_desc: "device: 0, name: Tesla T4, pci bus id: 0000:00:04.0, compute capability: 7.5"]

RAM prüfen

Geben Sie den folgenden Befehl ein, um die für Ihren Prozess verfügbaren Speicherressourcen anzuzeigen:

!cat /proc/meminfo

Sie sehen die folgende Ausgabe -

MemTotal: 13335276 kB
MemFree: 7322964 kB
MemAvailable: 10519168 kB
Buffers: 95732 kB
Cached: 2787632 kB
SwapCached: 0 kB
Active: 2433984 kB
Inactive: 3060124 kB
Active(anon): 2101704 kB
Inactive(anon): 22880 kB
Active(file): 332280 kB
Inactive(file): 3037244 kB
Unevictable: 0 kB
Mlocked: 0 kB
SwapTotal: 0 kB
SwapFree: 0 kB
Dirty: 412 kB
Writeback: 0 kB
AnonPages: 2610780 kB
Mapped: 838200 kB
Shmem: 23436 kB
Slab: 183240 kB
SReclaimable: 135324 kB
SUnreclaim: 47916
kBKernelStack: 4992 kB
PageTables: 13600 kB
NFS_Unstable: 0 kB
Bounce: 0 kB
WritebackTmp: 0 kB
CommitLimit: 6667636 kB
Committed_AS: 4801380 kB
VmallocTotal: 34359738367 kB
VmallocUsed: 0 kB
VmallocChunk: 0 kB
AnonHugePages: 0 kB
ShmemHugePages: 0 kB
ShmemPmdMapped: 0 kB
HugePages_Total: 0
HugePages_Free: 0
HugePages_Rsvd: 0
HugePages_Surp: 0
Hugepagesize: 2048 kB
DirectMap4k: 303092 kB
DirectMap2M: 5988352 kB
DirectMap1G: 9437184 kB

Sie sind jetzt bereit für die Entwicklung von Modellen für maschinelles Lernen in Python mit Google Colab.