我已经用两个RTX 2070 SUPER NVIDIA GPU构建了一台机器学习计算机,该GPU连接到Windows操作系统的SLI Bridge (在NVIDIA控制面板中验证了SLI)。
我已经使用http://ai-benchmark.com/alpha对系统进行了基准测试,并获得了令人印象深刻的结果。
为了充分利用使用GPU完成科学任务(cuDF)的库,我创建了一个TensorFlow Linux容器:
https://www.tensorflow.org/install/docker
使用“latest-gpu-py3-jupyter”标签。
然后,我将PyCharm连接到此容器,并将其解释器配置为同一项目的解释器(我将宿主项目文件夹挂载到容器中)。
当我在容器上运行相同的基准测试时,我得到了错误:
tensorflow.python.framework.errors_impl.ResourceExhaustedError: OOM when allocating tensor with shape[50,56,56,144] and type float on /job:localhost/replica:0/task:0/device:CPU:0 by allocator cpu
[[node MobilenetV2/expanded_conv_2/depthwise/BatchNorm/FusedBatchNorm (defined at usr/local/lib/python3.6/dist-packages/ai_benchmark/utils.py:238) ]]
Hint: If you want to see a list of allocated tensors when OOM happens, add report_tensor_allocations_upon_oom to RunOptions for current allocation info.此错误与容器内的GPU内存耗尽有关。
为什么windows主机上的GPU计算成功,而Linux容器上的GPU耗尽内存?
是什么造成了这种不同?这与容器中的内存分配有关吗?
发布于 2020-05-07 04:54:19
Here is an awesome link from docker.com that explains why your desired workflow won't work.它也不能和RAPIDS cudf一起工作。Docker Desktop使用Hyper V工作,Hyper V隔离了硬件,并且不能像Linux驱动程序期望的那样访问GPU。此外,nvidia-docker仅适用于linux
我可以告诉你,RAPIDS (cudf)目前也不支持这个实现。然而,Windows在Linux主机上运行得更好。对于tensorflow和cudf,我强烈建议您使用(或双引导)一个推荐的OSes作为您的主机操作系统,可以在这里找到:https://rapids.ai/start.html#prerequisites。如果您的工作流中需要Windows,您可以在Linux主机上运行它。
在未来,WSL版本将允许您在Windows上运行RAPIDS,让您自己在Windows上创建解决方案。
希望这能有所帮助!
https://stackoverflow.com/questions/61520198
复制相似问题