Как выбрать, на какой GPU запускать работу?

На компьютере с несколькими GPU, как мне определить, на каком графическом процессоре должно работать CUDA-задание?

В качестве примера, при установке CUDA я решил установить NVIDIA_CUDA-<#.#>_Samples, а затем выполнил несколько экземпляров моделирования nbody, но все они работали на одном графическом процессоре 0; GPU 1 был полностью бездействующим (контролируется с помощью watch -n 1 nvidia-dmi). Проверка CUDA_VISIBLE_DEVICES с помощью

Я нашел, что это не было установлено. Я попытался установить его с помощью

затем снова запустив nbody, но он также перешел на GPU 0.

Я рассмотрел связанный с этим вопрос как выбрать назначенный GPU для запуска программы CUDA?, но deviceQuery не находится в каталоге CUDA 8.0 bin. В дополнение к $CUDA_VISIBLE_DEVICES$ , я видел, что другие сообщения относятся к переменной окружения $CUDA_DEVICES, но они не были установлены, и я не нашел информацию о том, как ее использовать.

Не имея прямого отношения к моему вопросу, используя nbody -device=1, я смог запустить приложение на GPU 1, но с помощью nbody -numdevices=2 не работал на обоих графических процессорах 0 и 1.

Я тестирую это на системе, использующей оболочку bash, на CentOS 6.8, с графическими процессорами CUDA 8.0, 2 GTX 1080 и драйвером NVIDIA 367.44.

Я знаю, что при написании с использованием CUDA вы можете управлять и использовать ресурсы CUDA, но как мне это сделать из командной строки при запуске скомпилированного исполняемого файла CUDA?

Ответы

Ответ 1

Проблема была вызвана неправильной настройкой переменной CUDA_VISIBLE_DEVICES внутри оболочки.

Например, чтобы указать устройство CUDA 1, вы должны установить CUDA_VISIBLE_DEVICES, используя

export CUDA_VISIBLE_DEVICES=1

или

CUDA_VISIBLE_DEVICES=1 ./cuda_executable

Первый устанавливает переменную для срока службы текущей оболочки, второй - только для срока службы конкретного исполняемого вызова.

Если вы хотите указать более одного устройства, используйте

export CUDA_VISIBLE_DEVICES=0,1

или

CUDA_VISIBLE_DEVICES=0,1 ./cuda_executable

Ответ 2

export NVIDIA_VISIBLE_DEVICES=gpu_id export CUDA_VISIBLE_DEVICES=0

где gpu_id - это идентификатор на основе 0 графического процессора, сделанный доступным для гостевой системы (например, для среды контейнера Docker).

Подробнее

Обратите внимание, что это предоставляет системе только одну карту (с локальным идентификатором ноль), поэтому мы жестко закодируем CUDA_VISIBLE_DEVICES в ноль. Вы можете убедиться, что выбрана другая карта, проверив nvidia-smi Bus-Id.

Принятое решение, основанное только на CUDA_VISIBLE_DEVICES, не скрывает (см., Например, в nvidia-smi) все другие недоступные карты (отличные от прикрепленных) и, таким образом, вызывает ошибки вычислений, если вы пытаетесь использовать их в своих алгоритмах моделирования. При таком решении другие карты просто не видны гостевой системе, но другие пользователи по-прежнему могут получать к ним доступ и распределять свои вычислительные мощности на равной основе, как и в случае ЦП (проверено).

Это также предпочтительнее для решений, использующих контроллеры Kubernetes/Openshift (resources.limits.nvidia.com/gpu), которые наложат блокировку на выделенную карту, удалив ее из пула доступных ресурсов (поэтому количество контейнеров с доступом к графическому процессору не может превышать количество физические карты).

Если вы хотите распределить нагрузку на GPU, сделайте gpu_id случайным при каждом запуске гостевой системы.