干货|如何为TensorFlow和PyTorch自动选择空闲GPU，解决抢卡争端

Posted 2021-05-02 CUDATEK酷达智能

CUDATEK是深度学习软硬件解决方案专家,提供GPU硬件解决方案;CUDA解决方案专家; 面向制造业,影视动漫娱乐硬件解决方案;专业计算金融GPU解决方案;IVA GPU软硬件解决方案。

本文作者天清

原文载于其知乎专栏 世界那么大我想写代码

https://github.com/QuantumLiu/tf_gpu_manager

***

更新：支持pytorch

***

使用

git clone https://github.com/QuantumLiu/tf_gpu_manager

把manager.py放到你训练的目录就行。

直接使用with gm.auto_choice()自动选择设备进行接下来代码块的操作。

import tensorflow as tf 

from manager import GPUManager 

from keras.layers LSTM 

gm=GPUManager()

with gm.auto_choice():

        x=tf.placeholder(tf.float32,shape=(None,20,64))

        y=LSTM(32)(x)

背景

随着深度学习技术快速的发展，深度学习任务的数据和计算规模也越来越大，想要做出个像样的work，没有一台powerful的GPU工作站是万万不能的。

除了要求单卡性能强大，GPU数量多也很重要。

因为以下几点原因，多GPU工作站已经成了各大实验室的标配：

一般来说，一个深度学习项目需要一个实验室或者小组的多人合作完成，要共享一台或几台工作站。一个host多个GPU比较方便。

实验需要试多组参数或者对比试验。多GPU并行跑省时间。

模型计算量大，需要将模型不同分配在多个GPU上计算。

现在，Tensorflow、pytorch等主流深度学习框架都支持多GPU训练。

比如Tensorflow，

在 tensorflow\python\framework 中定义了device函数，返回一个用来执行操作的GPU设备的context manager对象。

def device(device_name_or_function):

    """Wrapper for `Graph.device()` using the default graph.

    See

    @{tf.Graph.device}

    for more details.  

    Args:

        device_name_or_function: The device name or function to use in the context.

    Returns:    

        A context manager that specifies the default device to use for newly created ops.  

    """

    return get_default_graph().device(device_name_or_function)

在我们的训练脚本中使用with语句就可以指定接下来的操作在某个GPU上进行。

with tf.device('/gpu:2'):  

    a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')  

    b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')  

    c = tf.matmul(a, b)

那么问题来了：

在写训练脚本时怎么知道哪个GPU是空闲可用的？

同组的人做实验和我冲突怎么办？

将来某个时刻运行这个脚本的时候是不是还要根据情况修改？

同行用我的代码复现实验，GPU配置环境不一样，他们甚至可能没有GPU，又要改代码？

当然，上道儿的开发者都知道nvidia-smi可以查询显卡信息，查看GPU显存、温度、功率使用，然后选择合适的GPU。

每次训练前执行这个命令，再与良好团队保持良好的沟通可以解决上述1、2两个问题，但是3、4两个问题还是不好解决。

而且经常和师兄弟、同事抢卡岂不是影响效率？

我们需要一种解决方案，能够实现不修改脚本、不需要和组员沟通，自动选择空闲GPU设备。

实现

如何高效获取GPU状态信息

  人工智能对安防行业格局的影响

nvidia-smi （https://developer.nvidia.com/nvidia-system-management-interface）是一个由NVIDIA官方提供的GPU状态管理、监控命令行软件。和其他命令行软件一样，nvidia-smi也有许多argument。

通过阅读文档，以及学习老司机的经验（http://nvidia.custhelp.com/app/answers/detail/a_id/3751/~/useful-nvidia-smi-queries），我们知道--query-gpu这个option可以指定查询GPU状态信息，并返回格式化信息。

通过执行命令：

nvidia-smi --help-query-gpu

我们得到了所有支持的查询参数（太多了不一一枚举）

最有用的参数老司机给我们总结出来了：

还有我自己查到的index，name，power.draw, power.limit

于是我们有了基本思路，用os.popen执行相关命令，解析返回文本信息。

def parse(line,qargs):

    '''

    line:

        a line of text

    qargs:

        query arguments

    return:

        a dict of gpu infos

    Pasing a line of csv format text returned by nvidia-smi

    解析一行nvidia-smi返回的csv格式文本

    '''

    numberic_args=['memory.free','memory.total','power.draw','power.limit']#可计数的参数

    power_manage_enable=lambdav:(not'Not Support'inv)#lambda表达式，显卡是否滋瓷power management（笔记本可能不滋瓷）

    to_numberic=lambdav:float(v.upper().strip().replace('MIB','').replace('W',''))#带单位字符串去掉单位

    process=lambdak,v:((int(to_numberic(v))ifpower_manage_enable(v)else1)ifkinnumberic_argselsev.strip())

    return{k:process(k,v)fork,vinzip(qargs,line.strip().split(','))}

def query_gpu(qargs=[]):

    '''

    qargs:

        query arguments

    return:

        a list of dict

    Querying GPUs infos

    查询GPU信息

    '''

    qargs=['index','gpu_name','memory.free','memory.total','power.draw','power.limit']+qargs

    cmd='nvidia-smi --query-gpu={} --format=csv,noheader'.format(','.join(qargs))

    results=os.popen(cmd).readlines()

    return [parse(line,qargs) for line in results]

如何衡量GPU空闲度

现在已经能获取GPU状态了，但是要怎么衡量GPU空闲度并排序呢？

深度学习领域，GPU空闲度可以主要用两个指标衡量：显存空闲和功率空闲。

显存占用又分绝对空间占用和占用比例。

最后，我们用三个指标衡量：

显存剩余空间

显存剩余比例

当前功率/额定功率

在之前，我们已经把所有GPU的信息存成了一个list，每个list是gpu信息的字典。

我们使用内置函数sorted来对可使用GPU进行排序。

如，按显存使用：

def_sort_by_memory(self,gpus,by_size=False):

    if by_size:

        print('Sorted by free memory size')

        return sorted(gpus,key=lambda d:d['memory.free'],reverse=True)

    else:

        print('Sorted by free memory rate')

        return sorted(gpus,key=lambda d:float(d['memory.free']) / d['memory.total'],reverse=True)

完整脚本

我们定义一个GPUManager类，在他的实例对象的存活周期里会更新GPU状态、记录已被分配的GPU。

实例化后，通过调用auto_choice方法直接返回一个tf.device对象。

同时，考虑到用户计算机可能没有GPU，加入异常处理机制。

def check_gpus():
   '''

    GPU available check

    reference : http://feisky.xyz/machine-learning/tensorflow/gpu_list.html

    '''
    all_gpus = [x.name for x in device_lib.list_local_devices() if x.device_type == 'GPU']
    if not all_gpus:
        print('This script could only be used to manage NVIDIA GPUs,but no GPU found in your device')
        return False
    elif not 'NVIDIA System Management' in os.popen('nvidia-smi -h').read():
        print("'nvidia-smi' tool not found.")
        return False
   return True

if check_gpus():
    def parse(line,qargs):

        '''

        line:

            a line of text

        qargs:

            query arguments

        return:

            a dict of gpu infos

        Pasing a line of csv format text returned by nvidia-smi

        解析一行nvidia-smi返回的csv格式文本

        '''
       numberic_args = ['memory.free', 'memory.total', 'power.draw', 'power.limit']#可计数的参数
       power_manage_enable=lambda v:(not 'Not Support' in v)#lambda表达式，显卡是否滋瓷power management（笔记本可能不滋瓷）
       to_numberic=lambda v:float(v.upper().strip().replace('MIB','').replace('W',''))#带单位字符串去掉单位
       process = lambda k,v:((int(to_numberic(v)) if power_manage_enable(v) else 1) if k in numberic_args else v.strip())
       return {k:process(k,v) for k,v in zip(qargs,line.strip().split(','))}

def query_gpu(qargs=[]) :

        '''

        qargs:

            query arguments

        return:

            a list of dict

        Querying GPUs infos

        查询GPU信息

        '''
       qargs =['index','gpu_name', 'memory.free', 'memory.total', 'power.draw', 'power.limit']+ qargs
       cmd = 'nvidia-smi --query-gpu={} --format=csv,noheader'.format(','.join(qargs))
       results = os.popen(cmd).readlines()
       return [parse(line,qargs) for line in results]

    def by_power(d):
         '''

        helper function fo sorting gpus by power

        '''
        power_infos=(d['power.draw'],d['power.limit'])
        if any(v==1 for v in power_infos):
            print('Power management unable for GPU {}'.format(d['index']))
            return 1
        return float(d['power.draw'])/d['power.limit']

   class GPUManager():
        '''

        qargs:

            query arguments

        A manager which can list all available GPU devices and sort them and choice the most free one.Unspecified ones pref.

        GPU设备管理器，考虑列举出所有可用GPU设备，并加以排序，自动选出最空闲的设备。在一个GPUManager对象内会记录每个GPU是否已被指定，优先选择未指定的GPU。

        '''
        def __init__(self,qargs=[]):
            '''            

            '''
            self.qargs=qargs
            self.gpus=query_gpu(qargs)
            for gpu in self.gpus:
                gpu['specified']=False
            self.gpu_num=len(self.gpus)

        def _sort_by_memory(self,gpus,by_size=False):
            if by_size:
                 print('Sorted by free memory size')
                 return sorted(gpus,key=lambda d:d['memory.free'],reverse=True)
            else:
                 print('Sorted by free memory rate')
                 return sorted(gpus,key=lambda d:float(d['memory.free'])/ d['memory.total'],reverse=True)

        def _sort_by_power(self,gpus):
             return sorted(gpus,key=by_power)

        def _sort_by_custom(self,gpus,key,reverse=False,qargs=[]):
            if isinstance(key,str) and (key in qargs):
                return sorted(gpus,key=lambda d:d[key],reverse=reverse)
             if isinstance(key,type(lambda a:a)):
                return sorted(gpus,key=key,reverse=reverse)
            raise ValueError("The argument 'key' must be a function or a key in query args,please read the documention of nvidia-smi")

        def auto_choice(self,mode=0):
            '''

            mode:

                0:(default)sorted by free memory size            

            return:                

                a TF device object            

            Auto choice the freest GPU device,not specified            

            ones             

            自动选择最空闲GPU            

            '''
            for old_infos,new_infos in zip(self.gpus,query_gpu(self.qargs)):
                old_infos.update(new_infos)
            unspecified_gpus=[gpu for gpu in self.gpus if not gpu['specified']] or self.gpus

            if mode==0:
                print('Choosing the GPU device has largest free memory...')
                chosen_gpu=self._sort_by_memory(unspecified_gpus,True)[0]
            elif mode==1:
                print('Choosing the GPU device has highest free memory rate...')
                chosen_gpu=self._sort_by_power(unspecified_gpus)[0]
            elif mode==2:
                print('Choosing the GPU device by power...')
                chosen_gpu=self._sort_by_power(unspecified_gpus)[0]
            else:
                print('Given an unaviliable mode,will be chosen by memory')
                chosen_gpu=self._sort_by_memory(unspecified_gpus)[0]
            chosen_gpu['specified']=True
            index=chosen_gpu['index']
            print('Using GPU {i}:\n{info}'.format(i=index,info='\n'.join([str(k)+':'+str(v) for k,v in chosen_gpu.items()])))
            return tf.device('/gpu:{}'.format(index))

else:

    raise ImportError('GPU available check failed')

业务咨询与购买：[e-mail]

上海酷达计算机科技有限公司

TEL [phone]