Question

我正在训练CNN使用Tensorflow对CIFAR-10数据集进行分类。我正在AWS p2.xlarge实例上运行06_CIFAR-10.ipynb Jupyter Notebook（1个GPU，4个vCPU，61GB RAM）。我使用Ubuntu 14 Tensorflow AMI设置了它。

培训需要很长时间。当我检查系统资源时，我发现大多数资源仍然可用。

$ free -h
         total       used       free     shared    buffers     cached
Mem:           59G       3.5G        56G        15M        55M       854M
-/+ buffers/cache:       2.6G        57G
Swap:           0B         0B         0B


$ top
top - 18:10:47 up  1:53,  1 user,  load average: 0.47, 0.63, 0.69
Tasks: 134 total,   1 running, 133 sleeping,   0 stopped,   0 zombie
%Cpu(s): 19.1 us,  4.6 sy,  0.0 ni, 73.2 id,  0.0 wa,  0.0 hi,  0.3 si,  2.8 st
KiB Mem:  62881764 total,  3695184 used, 59186580 free,    56792 buffers
KiB Swap:        0 total,        0 used,        0 free.   875028 cached Mem

  PID USER      PR  NI    VIRT    RES    SHR S  %CPU %MEM     TIME+ COMMAND                                                                                       
 2282 ubuntu    20   0  0.099t 2.192g 202828 S 248.2  3.7 141:55.88 python3                                                                                       


$ nvidia-smi 
Sat May  6 18:12:28 2017       
+------------------------------------------------------+                       
| NVIDIA-SMI 352.99     Driver Version: 352.99         |                       
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|===============================+======================+======================|
|   0  Tesla K80           On   | 0000:00:1E.0     Off |                    0 |
| N/A   54C    P0    67W / 149W |  11012MiB / 11519MiB |     54%      Default |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes:                                                       GPU Memory |
|  GPU       PID  Type  Process name                               Usage      |
|=============================================================================|
|    0      2282    C   /usr/bin/python3                             10954MiB |
+-----------------------------------------------------------------------------+

如何检测瓶颈在哪里？以及任何利用所有系统资源的建议？

Answer 1

您可以通过许多技巧和改进来实现高性能，例如确保使用高性能输入管道，并利用软件流水线技术。遗憾的是，如果没有关于您的具体设置的进一步信息，我将无法进一步诊断。

有关背景阅读（提高性能的提示和技巧），请参阅：

我建议从开源的tensorflow基准测试脚本开始，可在以下位置获取：https://github.com/tensorflow/benchmarks

如何充分利用资源

1 个答案: