- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
在查看git存储库(https://github.com/cupy/cupy)和文档(https://docs-cupy.chainer.org/en/stable/install.html)时,我没有找到任何生成仅与当前硬件(GPU)相关的可执行文件的方法。
为了举例说明,可以使用opencv
(为了在很大程度上减少旧环境中的编译时间可能超过8h),您可以指定GPU的体系结构。 (这里是一个仅从与硬件相关的源编译opencv
的示例)
>
导出JAVA_HOME = / opt / DEVOPS / SDK / jvm / jdk-11.0.4 /; cmake3 .. -D INSTALL_C_EXAMPLES = ON -D INSTALL_PYTHON_EXAMPLES = ON -D WITH_CUDA = ON -D WITH_GTK = ON -D WITH_OPENGL = ON -D ENABLE_CXX11 = ON -D BUILD_EXAMPLES = ON -D OPENCV_EXTRA_MODUSP_package / conopen / / modules -D BUILD_opencv_java = ON -D BUILD_opencv_python2 = ON -D BUILD_opencv_python3 = ON -D CUDA_FAST_MATH = ON -D CUDA_GENERATION =“Maxwell” -D WITH_OPENMP = ON -D BUILD_TES -D ON -D WITH_OPENCL = ON -D WITH_IPP = ON -D WITH_TBB = ON -D WITH_EIGEN = ON -D WITH_V4L = ON -D BUILD_TESTS = OFF -D BUILD_PERF_TESTS = OFF -D CMAKE_BUILD_TYPE =发布-D CMAKE_INSTALL_PREFIX = $( “import sys; print(sys.prefix)”)-D PYTHON3_EXECUTABLE = $(其中python3)-D PYTHON3_INCLUDE_DIR = $(python3 -c“from distutils.sysconfig import get_python_inc; print(get_python_inc())”)-D PYTHON3_PACKAGES_PATH $(python3 -c“从distutils.sysconfig导入get_python_lib; print(get_python_lib())”)-D PYTHON3_LIBRARY = / opt / D EVOPS / SDK / anaconda3 / lib -D OPENCV_PYTHON3_INSTALL_PATH = / opt / DEVOPS / SDK / anaconda3 / lib / python3.7 / site-packages -D PYTHON3_DEFAULT_EXECUTABLE = / opt / DEVOPS / SDK / anaconda3 / bin / python = D OPENCV_REE
通过这种方式,将仅针对给定的体系结构生成代码。
我发现这个有用的提交。
(https://github.com/cupy/cupy/commit/4d3b05c4f010d62f9daf92a049fa2e8a789f6cc2)
让某人尝试仅针对给定的体系结构编译Cupy,将'--generate-code'参数强制为'--generate-code = arch = compute_ XX ,code = compute_ XX ',而不是使用所有可能的arch ?
default compilation arch
最佳答案
CUPY_NVCC_GENERATE_CODE
环境变量在v7.0.0b2或更高版本中可用。 https://github.com/cupy/cupy/pull/2293
您可以使用例如export CUPY_NVCC_GENERATE_CODE="arch=compute_50,code=sm_50"
生成仅在指定硬件上运行的CuPy。
关于python - 仅针对选定的GPU架构编译Cupy,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/57636082/
谁能解释或指出在多 GPU/多显示器设置中渲染如何工作的解释(或至少一些线索)? 例如,我安装了 5 个 NVIDIA Quadro 4000 视频卡并连接了 9 个显示器。显示不进行任何分组。刚刚在
以下代码报错: import spacy spacy.require_gpu() Traceback (most recent call last): File "/home/user/Pycha
正如问题已经暗示的那样,我是深度学习的新手。我知道模型的学习过程在没有 GPU 的情况下会很慢。如果我愿意等待,如果我只使用CPU可以吗? 最佳答案 在计算深度学习(以及一般的神经网络)中执行的许多操
我知道 Renderscript 的设计是为了掩盖我正在运行的处理器的事实,但是有没有办法编写代码,以便在支持 GPU 计算的设备(目前是 Nexus 10)上运行显卡?有什么方法可以判断脚本的功能正
关闭。这个问题是opinion-based 。目前不接受答案。 想要改进这个问题吗?更新问题,以便 editing this post 可以用事实和引文来回答它。 . 已关闭 8 年前。 Improv
我想以编程方式找出可用的 GPU 及其当前内存使用情况,并根据内存可用性使用其中一个 GPU。我想在 PyTorch 中执行此操作。 我在这个 post 中看到了以下解决方案: import torc
我喜欢 GPU Gems 的结构化技术摘要。但是自上次发布以来已经过去了很长时间,应该开发新算法来处理新型硬件。 我可以阅读有关最近 GPU 技术成就的哪些信息? 潜伏在编程板上是唯一的方法吗? 最佳
我一直在做一些关于测量数据传输延迟的实验 CPU->GPU 和 GPU->CPU。我发现对于特定消息大小,CPU->GPU 数据传输速率几乎是 GPU->CPU 传输速率的两倍。谁能解释我为什么会这样
当我使用选项 --gres=gpu:1 向具有两个 GPU 的节点提交 SLURM 作业时,如何获取为该作业分配的 GPU ID?是否有用于此目的的环境变量?我使用的 GPU 都是 nvidia GP
我用 gpu、cuda 7.0 和 cudnn 6.5 安装了 tensorflow。当我导入 tensorflow 时,它运行良好。 我正在尝试在 Tensorflow 上运行一个简单的矩阵乘法,但
我们正在寻找有关 slurm salloc gpu 分配的一些建议。目前,给定: % salloc -n 4 -c 2 -gres=gpu:1 % srun env | grep CUDA CUD
我是否必须自定义为非 GPU Tensorflow 库编写的代码以适应tensorflow-gpu 库? 我有一个 GPU,想运行仅为非 GPU tensorflow 库编写的 Python 代码。我
我是否必须自定义为非 GPU Tensorflow 库编写的代码以适应tensorflow-gpu 库? 我有一个 GPU,想运行仅为非 GPU tensorflow 库编写的 Python 代码。我
我正在使用 pytorch 框架训练网络。我的电脑里有 K40 GPU。上周,我在同一台计算机上添加了 1080。 在我的第一个实验中,我在两个 GPU 上观察到相同的结果。然后,我在两个 GPU 上
有没有办法在 Slurm 上超额订阅 GPU,即运行共享一个 GPU 的多个作业/作业步骤?我们只找到了超额订阅 CPU 和内存的方法,但没有找到 GPU。 我们希望在同一 GPU 上并行运行多个作业
我可以访问 4 个 GPU(不是 root 用户)。其中一个 GPU(2 号)表现怪异,它们的一些内存被阻塞但功耗和温度非常低(好像没有任何东西在上面运行)。请参阅下图中 nvidia-smi 的详细
我正在尝试通过 Tensorflow 运行示例 seq2seq,但它不会使用 GPU。以下是我在带有 Tesla K20x 的 Linux 系统上安装 Tensorflow 所采取的步骤 git cl
一位电气工程师最近提醒我不要使用 GPU 进行科学计算(例如,在精度非常重要的地方),因为没有像 CPU 那样的硬件保护措施。这是真的吗?如果是的话,典型硬件中的问题有多普遍/严重? 最佳答案 实际上
关闭。这个问题不满足Stack Overflow guidelines .它目前不接受答案。 想改善这个问题吗?更新问题,使其成为 on-topic对于堆栈溢出。 7年前关闭。 Improve thi
最近我研究了强化学习,有一个问题困扰着我,我找不到答案:如何使用 GPU 有效地完成训练?据我所知,需要与环境持续交互,这对我来说似乎是一个巨大的瓶颈,因为这项任务通常是非数学的/不可并行化的。然而,
我是一名优秀的程序员,十分优秀!