Question

我正在使用tensorflow进行计算。目的是在所有GPU上分配工作。但是，我发现使用多重处理无法做到这一点。

以下是代码（除了一些额外的工作外，它确实很短）：

import os,sys
import multiprocessing
import numpy as np
# clear folder
folder = os.getcwd()+'/temp/'
for the_file in os.listdir(folder):
    file_path = os.path.join(folder, the_file)
    if os.path.isfile(file_path):
        os.unlink(file_path)

# process
p={}
n_batches=4

# kernel to be called in each process
# here, the example is just to return i_batch
def kernel(i_batch):
    import tensorflow as tf
    from tensorflow.python.eager.context import context, EAGER_MODE, GRAPH_MODE
    def switch_to(mode):
        ctx = context()._eager_context
        ctx.mode = mode
        ctx.is_eager = mode == EAGER_MODE
    switch_to(EAGER_MODE)
    assert tf.executing_eagerly()

    with tf.device("GPU:"+str(i_batch)):
        tf.tile([1],[10])
        r=tf.constant(i_batch).numpy()
    return r

# multiprocessing loop
for i_batch in range(n_batches):
    def multi_processing():
        result=kernel(i_batch)
        np.save(os.getcwd()+'/temp/result'+str(i_batch), result)

    # start multi-processing to allocate     
    p[i_batch] = multiprocessing.Process(target=multi_processing)
    p[i_batch].daemon = True
    p[i_batch].start()

# wait
for i_batch in range(n_batches):   
    p[i_batch].join()

result=0.
for i_batch in range(n_batches): 
    result+=np.load(os.getcwd()+'/temp/result'+str(i_batch)+'.npy')
result

函数内核由主循环调用，该主循环将工作分配到四个GPU上。但是它产生了错误：CUDA_ERROR_OUT_OF_MEMORY。

这实际上很短，应该不占用很多资源。

有人知道如何解决此问题吗？

Answer 1

由于Tensorflow贪婪地分配内存，因此一个进程可能会消耗所有资源。参考：https://stackoverflow.com/a/34514932/10111931

如果您查看GPUOptions，除了设置上面答案中建议的per_process_gpu_memory_fraction之外，还可以查看使用allow_growth = True在需要时请求内存。

您可以尝试的第二件事是使用CUDA_VISIBLE_DEVICES选项，以使每个进程仅使用GPU的一部分进行操作。参考：https://stackoverflow.com/a/37901914/10111931

急切执行与多处理不兼容

1 个答案: