|
1、CPU利用率
进行深度学习时，发现电脑CPU占用率太高，接近100%，磁盘有时也达到100%。怀疑没有用GPU进行训练。
任务管理器中只有CPU、内存、磁盘的占用率情况
2、查看GPU占用率
（1）打开cmd窗口（win+R，再输入cmd）
（2）在文件夹C:\Program Files\NVIDIA Corporation\NVSMI里找到文件nvidia-smi.exe
（3）将文件拖入cmd窗口，就可以显示GPU信息。发现：GPU利用率很低，不到5%。
第一行是版本信息，第二行是标题栏，第三行就是具体显卡信息了。
GPU：编号，0
Name：显卡名，NVS 4200M
TCC/WDDM：WDDM
Fan：风扇转速，这里N/A，应该是没转
Temp：显卡温度，这里是66摄氏度
Perf：性能状态，congP0-P12，P0性能最大，P12最小，这里是P0
Pwr：能耗，Usage是使用量，Cap是总量
BusId：涉及GPU总线
Disp.A：表示GPU的显示是否已经初始化
Memory-Usage：显存使用率，这里才用很少，5%不到
CPU-Util：GPU利用率
Compute M：计算模式
（参考文章：https://blog.csdn.net/Cloudox_/article/details/78651637）
（4）用GPU-Z工具查看GPU使用情况：发现负载为0
 
----------------------------------------------------------------------------------------------------------------------------------
综合nvidia-smi.exe和GPU-Z发现GPU没有执行。
3、查看GPU没有执行的原因
>>> import tensorflow as tf
>>> sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
2018-05-17 15:25:30.744860: I T:\src\github\tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:1356] Found device 0 with properties:
name: NVS 4200M major: 2 minor: 1 memoryClockRate(GHz): 1.62
pciBusID: 0000:01:00.0
totalMemory: 1.00GiB freeMemory: 826.13MiB
2018-05-17 15:25:30.745094: I T:\src\github\tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:1406] Ignoring visible gpu device (device: 0, name: NVS 4200M, pci bus id: 0000:01:00.0, compute capability: 2.1) with Cuda compute capability 2.1. The minimum required Cuda capability is 3.0.
2018-05-17 15:25:30.746883: I T:\src\github\tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:923] Device interconnect StreamExecutor with strength 1 edge matrix:
2018-05-17 15:25:30.747687: I T:\src\github\tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:929] 0
2018-05-17 15:25:30.748385: I T:\src\github\tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:942] 0: N
Device mapping: no known devices.
2018-05-17 15:25:30.750654: I T:\src\github\tensorflow\tensorflow\core\common_runtime\direct_session.cc:284] Device mapping:Ignoring visible gpu device (device: 0, name: NVS 4200M, pci bus id: 0000:01:00.0, compute capability: 2.1) with Cuda compute capability 2.1. The minimum required Cuda capability is 3.0.
2018-05-17 15:25:30.746883: I T:\src\github\tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:923] Device interconnect StreamExecutor with strength 1 edge matrix:
2018-05-17 15:25:30.747687: I T:\src\github\tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:929] 0
2018-05-17 15:25:30.748385: I T:\src\github\tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:942] 0: N
Device mapping: no known devices.
2018-05-17 15:25:30.750654: I T:\src\github\tensorflow\tensorflow\core\common_runtime\direct_session.cc:284] Device mapping:
信息提示：电脑gpu设备cuda计算能力为2.1，但gpu加速需要的最小cuda计算能力为3.0。
搜索查看https://blog.csdn.net/wyx100/article/details/78473732?locationnum=7&fps=1?%3E这篇文章也说到，cuda计算能力要达到3.0以上，才能进行gpu加速。否则会自动调用cpu进行计算。
|