Tensorflow: चमत्कार 3.0?

आधिकारिक तौर पर, क्यूडा कंप्यूट क्षमता 3.5 और 5.2 समर्थित हैं। आप बिल्ड स्क्रिप्ट को संशोधित करके अन्य गणना क्षमता को सक्षम करने का प्रयास कर सकते हैं:

https://github.com/tensorflow/tensorflow/blob/master/third_party/gpus/crosstool/clang/bin/crosstool_wrapper_driver_is_not_gcc#L236

धन्यवाद! कोशिश करेंगे और यहां रिपोर्ट करेंगे।

यह अभी तक आधिकारिक तौर पर समर्थित नहीं है। लेकिन अगर आप स्थानीय रूप से Cuda 3.0 को सक्षम करना चाहते हैं, तो यहां बदलने के लिए अतिरिक्त स्थान हैं:

https://github.com/tensorflow/tensorflow/blob/master/tensorflow/core/common_runtime/gpu/gpu_device.cc#L610
https://github.com/tensorflow/tensorflow/blob/master/tensorflow/core/common_runtime/gpu/gpu_device.cc#L629
जहां छोटे GPU डिवाइस को नजरअंदाज कर दिया जाता है।

आधिकारिक समर्थन अंततः एक अलग रूप में आएगा, जहां हम सुनिश्चित करते हैं कि फिक्स सभी अलग-अलग कम्प्यूटेशनल वातावरण पर काम करता है।

मैंने ऊपर की पंक्तियों में परिवर्तन किए हैं, और आरंभिक पृष्ठ पर मूल उदाहरण को संकलित और चलाने में सक्षम था: http://tensorflow.org/get_started/os_setup.md#try_your_first_tensorflow_program - इसने जीपीयू के बारे में शिकायत नहीं की, लेकिन यह या तो GPU का उपयोग करके रिपोर्ट नहीं की।

मैं अगले चरणों में कैसे मदद कर सकता हूं?

infojunkie@, क्या आप अपना कदम पोस्ट कर सकते हैं और लॉग अपलोड कर सकते हैं?

यदि आप इस उदाहरण का अनुसरण कर रहे थे:

बेज़ल बिल्ड-सी ऑप्ट --config=cuda //tensorflow/cc:tutorials_example_trainer
बेज़ल-बिन/टेंसरफ़्लो/सीसी/ट्यूटोरियल_उदाहरण_ट्रेनर --use_gpu

यदि आप निम्न पंक्ति देखते हैं, तो GPU लॉजिक डिवाइस बनाया जा रहा है:

TensorFlow डिवाइस बनाना (/gpu:0) -> (डिवाइस: ..., नाम: ..., pci बस आईडी: ...)

यदि आप पूरी तरह से सुनिश्चित होना चाहते हैं कि GPU का उपयोग किया गया था, तो CUDA_PROFILE=1 सेट करें और Cuda प्रोफाइलर को सक्षम करें। यदि कुडा प्रोफाइलर लॉग उत्पन्न किए गए थे, तो यह एक निश्चित संकेत था कि GPU का उपयोग किया गया था।

http://docs.nvidia.com/cuda/profiler-users-guide/#command -line-profiler-control

मुझे निम्नलिखित लॉग मिला:

I tensorflow/core/common_runtime/local_device.cc:25] Local device intra op parallelism threads: 8
I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:888] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
I tensorflow/core/common_runtime/gpu/gpu_init.cc:88] Found device 0 with properties: 
name: GeForce GT 750M
major: 3 minor: 0 memoryClockRate (GHz) 0.967
pciBusID 0000:02:00.0
Total memory: 2.00GiB
Free memory: 896.49MiB
I tensorflow/core/common_runtime/gpu/gpu_init.cc:112] DMA: 0 
I tensorflow/core/common_runtime/gpu/gpu_init.cc:122] 0:   Y 
I tensorflow/core/common_runtime/gpu/gpu_device.cc:643] Creating TensorFlow device (/gpu:0) -> (device: 0, name: GeForce GT 750M, pci bus id: 0000:02:00.0)
I tensorflow/core/common_runtime/gpu/gpu_device.cc:643] Creating TensorFlow device (/gpu:0) -> (device: 0, name: GeForce GT 750M, pci bus id: 0000:02:00.0)
I tensorflow/core/common_runtime/gpu/gpu_device.cc:643] Creating TensorFlow device (/gpu:0) -> (device: 0, name: GeForce GT 750M, pci bus id: 0000:02:00.0)
I tensorflow/core/common_runtime/gpu/gpu_device.cc:643] Creating TensorFlow device (/gpu:0) -> (device: 0, name: GeForce GT 750M, pci bus id: 0000:02:00.0)
I tensorflow/core/common_runtime/gpu/gpu_device.cc:643] Creating TensorFlow device (/gpu:0) -> (device: 0, name: GeForce GT 750M, pci bus id: 0000:02:00.0)
I tensorflow/core/common_runtime/gpu/gpu_device.cc:643] Creating TensorFlow device (/gpu:0) -> (device: 0, name: GeForce GT 750M, pci bus id: 0000:02:00.0)
I tensorflow/core/common_runtime/gpu/gpu_region_allocator.cc:47] Setting region size to 730324992
I tensorflow/core/common_runtime/gpu/gpu_device.cc:643] Creating TensorFlow device (/gpu:0) -> (device: 0, name: GeForce GT 750M, pci bus id: 0000:02:00.0)
I tensorflow/core/common_runtime/gpu/gpu_device.cc:643] Creating TensorFlow device (/gpu:0) -> (device: 0, name: GeForce GT 750M, pci bus id: 0000:02:00.0)
I tensorflow/core/common_runtime/gpu/gpu_device.cc:643] Creating TensorFlow device (/gpu:0) -> (device: 0, name: GeForce GT 750M, pci bus id: 0000:02:00.0)
I tensorflow/core/common_runtime/gpu/gpu_device.cc:643] Creating TensorFlow device (/gpu:0) -> (device: 0, name: GeForce GT 750M, pci bus id: 0000:02:00.0)
I tensorflow/core/common_runtime/local_session.cc:45] Local session inter op parallelism threads: 8

मुझे लगता है कि इसका मतलब है कि GPU पाया और इस्तेमाल किया गया था। यदि आपको लगता है कि यह उपयोगी है तो मैं CUDA प्रोफाइलर आज़मा सकता हूँ।

कृपया इस मुद्दे को प्राथमिकता दें। यह OSX और AWS के K520 दोनों पर gpu के उपयोग को रोक रहा है और कई लोगों के लिए यह एकमात्र उपलब्ध वातावरण है।
धन्यवाद!

सबसे अच्छा फिक्स नहीं है, लेकिन _gpu_device.c_ लाइन 610 से 616 पर cuda कंप्यूट संस्करण की जाँच करें, फिर से संकलित करें, और amazon g2 GPU त्वरण ठीक काम करता है:

संदर्भ के लिए, यहाँ कुडा 3.0 के साथ काम करने के लिए मेरा बहुत ही आदिम पैच है: https://gist.github.com/infojunkie/cb6d1a4e8bf674c6e38e

@infojunkie मैंने आपका फिक्स लागू किया है, लेकिन मुझे गणना आउटपुट में बहुत सारे नान मिले हैं:

$ bazel-bin/tensorflow/cc/tutorials_example_trainer --use_gpu
000006/000003 lambda =     -nan x = [0.000000 0.000000] y = [0.000000 0.000000]
000004/000003 lambda = 2.000027 x = [79795.101562 -39896.468750] y = [159592.375000 -79795.101562]
000005/000006 lambda = 2.000054 x = [39896.468750 -19947.152344] y = [79795.101562 -39896.468750]
000001/000007 lambda =     -nan x = [0.000000 0.000000] y = [0.000000 0.000000]
000002/000003 lambda =     -nan x = [0.000000 0.000000] y = [0.000000 0.000000]
000009/000008 lambda =     -nan x = [0.000000 0.000000] y = [0.000000 0.000000]
000004/000004 lambda =     -nan x = [0.000000 0.000000] y = [0.000000 0.000000]
000001/000005 lambda =     -nan x = [0.000000 0.000000] y = [0.000000 0.000000]
000006/000007 lambda =     -nan x = [0.000000 0.000000] y = [0.000000 0.000000]
000003/000006 lambda =     -nan x = [0.000000 0.000000] y = [0.000000 0.000000]
000006/000006 lambda =     -nan x = [0.000000 0.000000] y = [0.000000 0.000000]

@markusdr , यह बहुत अजीब है। क्या आप बाइनरी बनाने के लिए पूरी तरह से कदम पोस्ट कर सकते हैं?

क्या आप किस GPU और OS के साथ चल रहे हैं? क्या आप Cuda 7.0 और Cudnn 6.5 V2 का उपयोग कर रहे हैं?

एडब्ल्यूएस पर इस समस्या को जल्द से जल्द ठीक करने के लिए बस +1 करें। हमारे पास हमारे शोध के लिए कोई अन्य GPU कार्ड नहीं है।

नमस्ते, सुनिश्चित नहीं है कि यह एक अलग मुद्दा है, लेकिन मैं एक CUDA 3.0 GPU (Geforce 660 Ti) के साथ निर्माण करने की कोशिश कर रहा हूं और मुझे --config=cuda के साथ कई त्रुटियां मिल रही हैं। नीचे संलग्न फाइल देखें। यह ऊपर सुझाए गए परिवर्तनों से असंबंधित लगता है। मैंने देखा है कि यह एक अस्थायी कंप्यूट_52.cpp1.ii फ़ाइल को संकलित करने का प्रयास करता है जो मेरे GPU के लिए गलत संस्करण होगा।

मैं उबंटू 15.10 पर हूं। मैंने कूडा में host_config.h को संशोधित किया है जिसमें जीसीसी पर संस्करण जांच को हटाना शामिल है। मैं अनुशंसित के रूप में Cuda 7.0 और cuDNN 6.5 v2 का उपयोग कर रहा हूं, हालांकि मेरे पास नए संस्करण भी स्थापित हैं।

cuda_build_fail.txt

हाँ, मैं इस AIM के साथ EC2 g2.2xlarge उदाहरण पर Cuda 7.0 और Cudnn 6.5 का उपयोग कर रहा था:
cuda_7 - एमी-12fd8178
उबंटू 14.04, जीसीसी 4.8, क्यूडा 7.0, एटलस, और ओपनसीवी।
निर्माण करने के लिए, मैंने tensorflow.org पर निर्देशों का पालन किया।

ऐसा लगता है कि हम कंप्यूट क्षमता v3 और कंप्यूट क्षमता v3.5 के बीच एक एपीआई असंगतता देख रहे हैं; infojunkie के पैच फिक्स के बाद, मैं इस मुद्दे पर स्टम्प्ड हो गया

मैं tensorflow/core/common_runtime/gpu/gpu_device.cc:643] TensorFlow डिवाइस बनाना (/gpu:0) -> (डिवाइस: 0, नाम: Quadro K2100M, pci बस आईडी: 0000:01:00.0)
मैं tensorflow/core/common_runtime/local_session.cc:45] स्थानीय सत्र इंटर ऑप समानांतरवाद धागे: 8
F tensorflow/stream_executor/cuda/cuda_blas.cc:229] जाँच विफल: f != nullptr _cuBLAS DSO_ में cublasCreate_v2 नहीं ढूँढ सका; dlerror: bazel-bin/tensorflow/cc/tutorials_example_trainer: अपरिभाषित प्रतीक: cublasCreate_v2

मैं उबंटू 15.04, जीसीसी 4.9.2, सीयूडीए टूलकिट 7.5, सीयूडीएन 6.5 पर चलता हूं;

गणना क्षमता v3 समर्थन रखने के लिए +1

क्यूबस स्थापित है? और यह कहां से जुड़ा है
एलएस -लाह /usr/स्थानीय/cuda/lib64/libcublas.so?

@allanzelener , आपके पास कौन से OS और GCC संस्करण हैं? आपकी त्रुटियाँ असंगत C++ कंपाइलर से आती प्रतीत होती हैं।

TensorFlow के साथ Ubuntu 14.04 और GCC 4.8 का उपयोग करने की अनुशंसा की जाती है।

@vsrikarunyan , अनुशंसित के रूप में CUDA टूलकिट 7.0 का उपयोग करना बेहतर है। आप अपने नए टूलकिट के साथ एक पुराना CUDA टूलकिट स्थापित कर सकते हैं। जब आप TensorFlow चलाते हैं, तो बस TensorFlow "कॉन्फ़िगर करें" और शायद LD_LIBRARY_PATH को CUDA 7.0 पर इंगित करें।

@avostryakov , @infojunkie के शुरुआती पैच को AWS पर काम करना चाहिए।

https://gist.github.com/infojunkie/cb6d1a4e8bf674c6e38e

एक आधिकारिक पैच पाइपलाइन के माध्यम से अपना काम कर रहा है। यह आपको अपना गणना लक्ष्य चुनने देने के लिए एक कॉन्फ़िगरेशन विकल्प को उजागर करेगा। लेकिन नीचे, यह समान परिवर्तन करता है। मैंने इसे AWS g2 पर आज़माया है, और जब मैं NVIDIA ड्राइवर को पूरी तरह से अनइंस्टॉल कर दूं, और NVIDIA से नवीनतम GPU ड्राइवर को पुनर्स्थापित करने के बाद पता लगाऊंगा कि चीजें काम करेंगी।

एक बार फिर, इस बिंदु पर AWS पर अनुशंसित सेटिंग निम्नलिखित है।
उबंटू 14.04, जीसीसी 4.8, CUDA टूलकिट 7.0 और CUDNN 6.5। पिछले दो के लिए, अन्य संस्करणों की आपकी मौजूदा स्थापना को प्रभावित किए बिना उन्हें स्थापित करना ठीक है। साथ ही अंतिम दो के लिए आधिकारिक अनुशंसित संस्करण भी जल्द ही बदल सकते हैं।

मैंने एक ही पैच को g2.2xlarge इंस्टेंस पर लागू किया और @markusdr... नान का एक गुच्छा जैसा ही परिणाम मिला।

@ झेंग-एक्सक्यू हां, मैं उबंटू 15.10 पर हूं और मैं जीसीसी 5.2.1 का उपयोग कर रहा था। मुद्दा संकलक था। मैं समझ नहीं पाया कि कंपाइलर को बेज़ल के साथ कैसे बदला जाए, लेकिन बस gcc-4.8 इंस्टॉल करना और usr/bin में सिम्लिंक बदलने के लिए अपडेट-विकल्प का उपयोग करना काम करता है। (अधिक जानकारी: http://askubuntu.com/questions/26498/choose-gcc-and-g-version)। मदद के लिए धन्यवाद, अगर मुझे कोई और समस्या आती है तो मैं वापस रिपोर्ट करूंगा।

मुझे यह g2.2xlarge इंस्टेंस पर काम करने के लिए मिला और चलाने के लिए प्रशिक्षण उदाहरण मिला, और सत्यापित किया कि gpu nvidia-smi टूल का उपयोग करके सक्रिय था, लेकिन mnist's convolutional.py चलाते समय, यह स्मृति से बाहर हो गया। मुझे संदेह है कि यह सिर्फ बैच आकार और तथ्य यह है कि aws gpus में बहुत अधिक मेमोरी नहीं है, लेकिन यह सुनिश्चित करने के लिए कि यह सही लगता है, इसे वहां फेंकना चाहता था। स्पष्ट करने के लिए, मैंने निम्नलिखित को चलाया, और यह 15 मिनट तक चला, और फिर स्मृति से बाहर हो गया।

अजगर tensorflow/मॉडल/छवि/mnist/convolutional.py

@nbenhaim , इसे काम करने के लिए आपको बस क्या करना है?

@markusdr , @jbencook , NAN काफी परेशान करने वाला है। मैंने खुद वही काम चलाया, और मुझे कोई समस्या नहीं हुई।

यदि आप अनुशंसित सॉफ़्टवेयर सेटिंग का उपयोग करते हैं: Ubuntu 14.04, GCC 4.8, Cuda 7.0 और Cudnn 6.5, तो मेरा अगला अनुमान Cuda ड्राइवर है। क्या आप नवीनतम क्यूडा ड्राइवर को अनइंस्टॉल और पुनर्स्थापित कर सकते हैं।

यह वह क्रम है जिसे मैंने AWS पर आज़माया था, आपका माइलेज भिन्न हो सकता है:

sudo apt-get remove --purge "nvidia*"
wget http://us.download.nvidia.com/XFree86/Linux-x86_64/352.55/NVIDIA-Linux-x86_64-352.55.run
sudo ./NVIDIA-Linux-x86_64-352.55.run --accept-license --no-x-check --no-recursion

@ झेंग-एक्सक्यू का अनुसरण करने के लिए धन्यवाद - मैं आज इसे एक शॉट दूंगा।

प्री-3.5 जीपीयू का समर्थन करने के लिए एक और +1, किसी और के रूप में जिसका वास्तविक डेटा पर प्रशिक्षण के लिए एकमात्र यथार्थवादी विकल्प एडब्ल्यूएस जीपीयू इंस्टेंस है।

स्थानीय परीक्षण के लिए भी, मेरे (हालिया, डेवलपर) लैपटॉप का GPU 3.5 का समर्थन नहीं करता है :-(

@anjishnu मैंने निर्देशों का पालन करके क्लीन इंस्टाल और बिल्ड करने के बाद @infojunkie के पैच https://gist.github.com/infojunkie/cb6d1a4e8bf674c6e38e का अनुसरण किया।

कुछ टिप्पणियाँ - मैं जिस AMI का उपयोग कर रहा था उसमें NVIDIA cuda टूलकिट 6.5 स्थापित था, इसलिए जब मैंने टेंसरफ़्लो गेटिंग गाइड में लिंक का अनुसरण किया, तो मैंने ubuntu 14.04 के लिए 7.0 .run फ़ाइल डाउनलोड की, ड्राइवर को अपग्रेड किया, और cuda 7.0 को इनस्टॉल किया। /usr/लोकल/क्यूडा-7.0/usr/लोकल/क्यूडा के लिए एक सिमलिंक बनाए बिना क्योंकि मेरे पास पहले से ही 6.5 स्थापित था और मैं इसे मारना नहीं चाहता था

फिर, निर्माण करते समय मैंने अभी cuda 7.0 का सही स्थान निर्दिष्ट किया है। एक भ्रमित करने वाली बात यह है कि अजगर पुस्तकालय का निर्माण करते समय, ट्यूटोरियल आपको --config=cuda निर्दिष्ट करने की याद नहीं दिलाता है, लेकिन आपको यह करना होगा कि यदि आप चाहते हैं कि अजगर का उपयोग gpu

@markusdr , @jbencook , मुझे एक NaN और सभी प्रकार के गड़बड़ मूल्य मिले, साथ ही जब मैंने शुरुआत में पैच लगाया, लेकिन क्या तय किया कि यह "बेज़ल क्लीन" कर रहा था और प्रस्तावित परिवर्तनों को @infojunkie में उल्लिखित करने के बाद खरोंच से पुनर्निर्माण कर रहा था। का पैच। क्या आपने यह कोशिश की?

दिलचस्प... नहीं, मुझे अभी तक मौका नहीं मिला है। क्या आपने CNN को गेटिंग स्टार्टेड गाइड से चलाने की कोशिश की?

python tensorflow/models/image/mnist/convolutional.py

यह जानने के लिए उत्सुक है कि क्या यह सही तरीके से काम करता है।

@jbencook जैसा कि मैंने उल्लेख किया है, convolutional.py सही ढंग से चलने लगता है, लेकिन 15 मिनट के बाद यह स्मृति से बाहर होने के कारण दुर्घटनाग्रस्त हो जाता है, लेकिन आउटपुट सही दिखता है और मैंने यह सत्यापित करने के लिए nvidia-smi के टूल का उपयोग किया है कि यह वास्तव में GPU पर चल रहा है और यह है। मुझे संदेह है कि ऐसा इसलिए है क्योंकि बैच आकार ... मुझे पता है कि ईसी 2 पर जीपीयू में इतनी मेमोरी नहीं है, लेकिन मैं इस समय वास्तव में अनिश्चित हूं कि यह स्मृति से बाहर क्यों हो गया

एक GeForce GTX 780 Ti पर, मेरे लिए भी Convolutional.py उदाहरण GPU मेमोरी से बाहर चला गया।

मैं बहुत दर्द के बाद इसे एडब्ल्यूएस पर स्थापित करने में सक्षम था। देखें https://gist.github.com/erikbern/78ba519b97b440e10640 - मैंने एक AMI भी बनाया: ami-cf5028a5 (वर्जीनिया क्षेत्र में)

यह g2.2xlarge और g2.8xlarge पर काम करता है और यह डिवाइस को सही तरीके से डिटेक्ट करता है (क्रमशः 1 और 4)। हालाँकि मुझे g2.8xlarge पर 4 GPU कार्ड से कोई स्पीडअप नहीं दिख रहा है। दोनों मशीनें कई GPU के साथ CIFAR 10 उदाहरण चलाने वाले लगभग 330 उदाहरण/सेकंड की प्रक्रिया करती हैं। एमएनआईएसटी दृढ़ उदाहरण पर भी बहुत समान प्रदर्शन। यह लगभग 15 मिनट के बाद "GPU मेमोरी से बाहर, मेमोरी स्टेट डंप ऊपर देखें" के साथ क्रैश हो जाता है, जैसा कि कुछ अन्य लोगों ने ऊपर उल्लेख किया है

मैंने लगभग एक घंटे के लिए सीआईएफएआर उदाहरण चलाया है और ऐसा लगता है कि यह अब तक काफी अच्छी तरह से चिपक गया है

Cuda 3.0 डिवाइस के निर्माण के लिए, यदि आप नवीनतम TensorFlow कोड को सिंक करते हैं, तो आप निम्न कार्य कर सकते हैं। आधिकारिक दस्तावेज जल्द ही अपडेट हो जाएगा। लेकिन यह ऐसा दिखता है:

$ TF_UNOFFICIAL_SETTING=1 ./configure

... ऊपर की आधिकारिक सेटिंग्स के समान

चेतावनी: आप TensorFlow में अनौपचारिक सेटिंग कॉन्फ़िगर कर रहे हैं। क्योंकि कुछ
बाहरी पुस्तकालय पिछड़े संगत नहीं हैं, ये सेटिंग्स काफी हद तक हैं
परीक्षण नहीं किया गया और असमर्थित।

कृपया कॉमा-सेपरेटेड कूडा कंप्यूट क्षमताओं की एक सूची निर्दिष्ट करें जो आप करना चाहते हैं
के साथ निर्माण। आप अपने डिवाइस की गणना क्षमता यहां पा सकते हैं:
https://developer.nvidia.com/cuda-gpus।
कृपया ध्यान दें कि प्रत्येक अतिरिक्त गणना क्षमता काफी बढ़ जाती है
आपका निर्माण समय और बाइनरी आकार। [डिफ़ॉल्ट है: "3.5,5.2"]: 3.0

कुडा की स्थापना में शामिल हैं
कुडा lib64 की स्थापना
कुडा बिन की स्थापना
कुडा nvvm . की स्थापना
कॉन्फ़िगरेशन समाप्त

@nbenhaim @markusdr

स्मृति की समस्या इस तथ्य के कारण हो सकती है कि convolutional.py पूरे परीक्षण डेटासेट (10000) उदाहरणों पर मूल्यांकन चलाता है। यह प्रशिक्षण समाप्त होने के बाद होता है, अंतिम चरण के रूप में:

https://github.com/tensorflow/tensorflow/blob/master/tensorflow/models/image/mnist/convolutional.py#L266

क्या आप छोटा करने के train_data और test_labels को छोटा करने का प्रयास कर सकते हैं?

मैं पुष्टि कर सकता हूं कि @erikbern की इंस्टॉल स्क्रिप्ट और नवीनतम TensorFlow मास्टर शाखा के साथ cifar10_multi_gpu_train.py GPU पर अपेक्षित रूप से काम करता है:

step 100, loss = 4.49 (330.8 examples/sec; 0.387 sec/batch)

हालांकि कोड में बदलाव के कारण यह लाइन अब टूट गई है।

इसके अलावा अगर मैं 1000 परीक्षण नमूने लेता हूं तो convolutional.py उदाहरण भी काम करता है।

संपादित करें: bazel-bin/tensorflow/cc/tutorials_example_trainer --use_gpu उदाहरण मुझे नैन का एक गुच्छा दिए बिना भी काम करता है।

मैं पुष्टि करता हूं कि नवीनतम बिल्ड के माध्यम से गणना क्षमता निर्दिष्ट करने का समर्थन करता है
$ TF_UNOFFICIAL_SETTING=1 ./configure
एक पैच की आवश्यकता के बिना। धन्यवाद!

मुझे लगता है कि इस मुद्दे को बंद किया जा सकता है, जब तक कि किसी को वास्तविक कार्य का सामना नहीं करना पड़ता है जो कुडा <3.5 के लिए विफल रहता है।

असल में, मुझे इसे वापस लेने दें :-) ./configure स्क्रिप्ट हाथ से निर्दिष्ट क्यूडा संस्करणों के साथ प्रासंगिक लाइनों को बदलकर स्रोत कोड को संशोधित करती है। फिर गिट अप्रतिबद्ध परिवर्तनों की रिपोर्ट करता है और इस कोडबेस के साथ परिवर्तन को वापस किए बिना काम करना बहुत मुश्किल हो जाता है, git pull आईएनजी, और फिर से कॉन्फ़िगर करना, योगदान जमा करने का उल्लेख नहीं करना।

कॉन्फ़िगरेशन फ़ाइल से उन संस्करण सेटिंग्स को पढ़ने का एक बेहतर तरीका होगा।

ऊपर एरिकबर्न और उसका एएमआई मेरे लिए सिफर के लिए काम कर रहा है - ami-cf5028a5

डॉकटर पर मेरे i7 विंडोज़ बॉक्स बनाम ~ 320 नमूने प्रति सेकंड प्राप्त करना जो cifar10_train.py के लिए प्रति सेकंड ~ 105 नमूने प्राप्त करता है

@infojunkie : हाँ, यह आदर्श नहीं है (@ झेंग-एक्सक्यू और मैंने समीक्षा के दौरान इस पर थोड़ी चर्चा की!)

हम इसे संभालने के लिए एक बेहतर तरीके के बारे में सोचने की कोशिश करेंगे, हालांकि हम रनटाइम डिवाइस फ़िल्टरिंग की क्षमता को बाइनरी के निर्माण के तरीके के साथ सिंक में रखना चाहते हैं (इसलिए संकलन और दोनों के लिए स्रोत कोड को संपादित करने की आवश्यकता है) रनटाइम)। अन्यथा उपयोगकर्ताओं को हार्ड-टू-डीबग त्रुटियां मिलती हैं।

हम इसे आसान बनाने के लिए काम करना जारी रखेंगे, लेकिन उम्मीद है कि यह आपके लिए कुछ आगे की प्रगति की अनुमति देगा।

@vrv : हाँ, मैं निश्चित रूप से इन सुधारों के साथ अपना काम जारी रख सकता हूँ। सहायता का शुक्रिया!

बस जिज्ञासु, जैसा कि 16 vCpus के साथ c4.4xlarge लगभग .88 प्रति घंटा बनाम gpu इंस्टेंस है जो कि .65 प्रति घंटा है, क्या यह gpu की तुलना में एकाधिक cpu का उपयोग करना बेहतर नहीं होगा?

@timshefard मुझे इसमें संदेह है, लेकिन कुछ बेंचमार्क चलाने के लिए स्वतंत्र महसूस करें - आप मेरे AMI (ami-cf5028a5) को c4.4xlarge पर स्थापित कर सकते हैं और cifar10_train.py चला सकते हैं

दरअसल, g2.2xlarge में GPU के साथ 8 cpus है। यह कोशिश करने जा रहे हैं।

मल्टी थ्रेडेड सीपीयू समर्थित है, लेकिन यदि आप कोई वास्तविक प्रशिक्षण करना चाहते हैं,
GPU 4 लाइफ, जब तक वे वितरित कार्यान्वयन जारी नहीं करते

थू, नवंबर 12, 2015 अपराह्न 4:53 बजे, एरिक बर्नहार्डसन < नोटिफिकेशन @github.com

लिखा था:

@timshefard https://github.com/timshefard मुझे इसमें संदेह है, लेकिन बेझिझक
कुछ बेंचमार्क चलाने के लिए - आप मेरे AMI (ami-cf5028a5) को a . पर स्थापित कर सकते हैं
c4.4xबड़ा करें और cifar10_train.py चलाएं

-
इस ईमेल का सीधे उत्तर दें या इसे GitHub पर देखें
https://github.com/tensorflow/tensorflow/issues/25#issuecomment -156274039
.

मुझे डॉकटर पर अपने विंडोज़ सीपीयू पर अमेज़ॅन जीपीयू के लिए केवल 3x स्पीड मिल रही थी। अच्छा है, लेकिन वह मेरे कोर में से केवल 1 था। मेरे विंडोज़ बॉक्स के सभी 4 कोर शायद एक अमेज़ॅन जीपीयू को हरा सकते हैं।

यह दिलचस्प है, क्योंकि caffe के साथ, मैंने कोई वास्तविक बेंचमार्क नहीं किया,
लेकिन सीपीयू मोड में प्रशिक्षण भयानक है, जैसे परिमाण का क्रम या अधिक
अंतर। हो सकता है कि TF को CPU मोड में बेहतर ढंग से अनुकूलित किया गया हो - आश्चर्य नहीं होगा
मुझे।

गुरु, नवंबर 12, 2015 को शाम 5:01 बजे, timshefard [email protected]
लिखा था:

मैं अपने विंडोज़ सीपीयू पर अमेज़न जीपीयू के लिए केवल 3x गति प्राप्त कर रहा था
डोकर अच्छा है, लेकिन वह मेरे कोर में से केवल 1 था। my . पर 4 कोर के लिए सभी
विंडोज़ बॉक्स शायद एक अमेज़ॅन जीपीयू को हरा सकता है।

-
इस ईमेल का सीधे उत्तर दें या इसे GitHub पर देखें
https://github.com/tensorflow/tensorflow/issues/25#issuecomment -156275410
.

कृपया ध्यान रखें कि cifar10 ट्यूटोरियल जैसा कि यह एक बेंचमार्क होने के लिए नहीं है। यह कुछ अलग विशेषताओं को दिखाने के लिए है, जैसे सेवर और सारांश। अपने वर्तमान स्वरूप में, यह CPU-सीमित होगा, यहाँ तक कि GPU के साथ भी। बेंचमार्क करने के लिए, किसी को अधिक सावधान रहना होगा और केवल आवश्यक सुविधाओं का उपयोग करना होगा।

हो सकता है कि किसी कारण से सिर्फ amazon GPU धीमा हो https://www.reddit.com/r/MachineLearning/comments/305me5/slow_gpu_performance_on_amazon_g22xlarge/
दिलचस्प रिपोर्ट: "एक g2.2xlarge एक डाउनक्लॉक किया गया GK104 (797 MHz) है, जो इसे हाल ही में जारी किए गए TitanX की गति का 1/4 और GTX 980 की तुलना में 2.7x धीमा बना देगा।"

fwiw, 2015-11-13 00:38: 05.472034 प्राप्त करना: चरण 20, हानि = 4.64 (362.5 उदाहरण/सेकंड; 0.353 सेकंड/बैच)
अब 7 सीपीयू और cifar10_multi_gpu_train.py के साथ। मैंने सभी डिवाइस संदर्भों को जीपीयू से सीपीयू में बदल दिया, अगर यह समझ में आता है।

ठीक है, अजीब। 2015-11-13 00: 43: 56.914273: चरण 10, हानि = 4.65 (347.4 उदाहरण/सेकंड; 0.368 सेकंड/बैच) और 2 सीपीयू का उपयोग करते हुए, तो स्पष्ट रूप से यहां कुछ विफल रहा। अभी भी GPU का उपयोग करना चाहिए। दिलचस्प है कि यह स्क्रिप्ट के सिंगल जीपीयू वर्जन की तुलना में थोड़ा तेज प्रोसेस करता है।

यहां तक ​​​​कि एरिकबर्न के निर्देशों के साथ भी मुझे अभी भी मिल रहा है

अभिकथन त्रुटि: जब मैं cifar_train.py और mnist/convolutional.py चलाते समय यह कोशिश करता हूं तो मॉडल नुकसान = NaN के साथ बदल जाता है

युग 1.63
मिनीबैच हानि: नान, सीखने की दर: नान
मिनीबैच त्रुटि: 90.6%
सत्यापन त्रुटि: 90.4%
युग 1.75
मिनीबैच हानि: नान, सीखने की दर: 0.000000
मिनीबैच त्रुटि: 92.2%
सत्यापन त्रुटि: 90.4%
युग 1.86
मिनीबैच हानि: नान, सीखने की दर: 0.000000

मुझे यह एडब्ल्यूएस पर जीपीयू पर चलाने के लिए मिला, लेकिन दूसरों की तरह मुझे अप्रभावी गति मिल रही है।

कॉन्फ़िगरेशन चलाते समय विकल्प सेट करने के @ झेंग-एक्सक्यू द्वारा सुझाए गए सही फिक्स का उपयोग करने के बाद मैं स्मृति से बाहर चलाए बिना convolutional.py उदाहरण प्राप्त करने में सक्षम था

@erikbern द्वारा प्रदान की गई इंस्टॉल स्क्रिप्ट अब 9c3043ff3bf31a6a81810b4ce9e87ef936f1f529 प्रतिबद्ध के रूप में काम नहीं करती है

सबसे हालिया कमिट ने इस बग को पेश किया, @keveman ने पहले ही यहां कमिट पर एक नोट बना लिया है:
https://github.com/tensorflow/tensorflow/commit/9c3043ff3bf31a6a81810b4ce9e87ef936f1f529#diff -1a60d717df0f558f55ec004e6af5c7deL25

नमस्ते! मुझे GTX 670 के साथ टेंसरफ़्लो के संकलन में समस्या है। मैं दौड़ता हूँ

TF_UNOFFICIAL_SETTING=1 ./configure
bazel build -c opt --config=cuda //tensorflow/cc:tutorials_example_trainer

मुझे त्रुटि मिली:

INFO: Found 1 target...
INFO: From Compiling tensorflow/core/kernels/bias_op_gpu.cu.cc:
tensorflow/core/kernels/bias_op_gpu.cu.cc(40): error: identifier "__ldg" is undefined
          detected during:
            instantiation of "void tensorflow::functor::BiasOpCustomKernel(int, const T *, const T *, int, int, T *) [with T=float]" 
(57): here
            instantiation of "void tensorflow::functor::Bias<tensorflow::GPUDevice, T, Dims>::operator()(const tensorflow::functor::Bias<tensorflow::GPUDevice, T, Dims>::Device &, tensorflow::TTypes<T, Dims, Eigen::DenseIndex>::ConstTensor, tensorflow::TTypes<T, 1, Eigen::DenseIndex>::ConstVec, tensorflow::TTypes<T, Dims, Eigen::DenseIndex>::Tensor) [with T=float, Dims=2]" 
(69): here

tensorflow/core/kernels/bias_op_gpu.cu.cc(40): error: identifier "__ldg" is undefined
          detected during:
            instantiation of "void tensorflow::functor::BiasOpCustomKernel(int, const T *, const T *, int, int, T *) [with T=double]" 
(57): here
            instantiation of "void tensorflow::functor::Bias<tensorflow::GPUDevice, T, Dims>::operator()(const tensorflow::functor::Bias<tensorflow::GPUDevice, T, Dims>::Device &, tensorflow::TTypes<T, Dims, Eigen::DenseIndex>::ConstTensor, tensorflow::TTypes<T, 1, Eigen::DenseIndex>::ConstVec, tensorflow::TTypes<T, Dims, Eigen::DenseIndex>::Tensor) [with T=double, Dims=2]" 
(69): here

2 errors detected in the compilation of "/tmp/tmpxft_000067dd_00000000-7_bias_op_gpu.cu.cpp1.ii".
ERROR: /home/piotr/tensorflow/tensorflow/tensorflow/core/BUILD:248:1: output 'tensorflow/core/_objs/gpu_kernels/tensorflow/core/kernels/bias_op_gpu.cu.o' was not created.
ERROR: /home/piotr/tensorflow/tensorflow/tensorflow/core/BUILD:248:1: not all outputs were created.
Target //tensorflow/cc:tutorials_example_trainer failed to build

NVIDIA नमूने डिवाइस क्वेरी से मेरे कार्ड के बारे में जानकारी:

Device 0: "GeForce GTX 670"
  CUDA Driver Version / Runtime Version          7.5 / 7.0
  CUDA Capability Major/Minor version number:    3.0
  Total amount of global memory:                 2046 MBytes (2145235968 bytes)
  ( 7) Multiprocessors, (192) CUDA Cores/MP:     1344 CUDA Cores
  GPU Max Clock rate:                            980 MHz (0.98 GHz)
  Memory Clock rate:                             3004 Mhz
  Memory Bus Width:                              256-bit
  L2 Cache Size:                                 524288 bytes
  Maximum Texture Dimension Size (x,y,z)         1D=(65536), 2D=(65536, 65536), 3D=(4096, 4096, 4096)
  Maximum Layered 1D Texture Size, (num) layers  1D=(16384), 2048 layers
  Maximum Layered 2D Texture Size, (num) layers  2D=(16384, 16384), 2048 layers
  Total amount of constant memory:               65536 bytes
  Total amount of shared memory per block:       49152 bytes
  Total number of registers available per block: 65536
  Warp size:                                     32
  Maximum number of threads per multiprocessor:  2048
  Maximum number of threads per block:           1024
  Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
  Max dimension size of a grid size    (x,y,z): (2147483647, 65535, 65535)
  Maximum memory pitch:                          2147483647 bytes
  Texture alignment:                             512 bytes
  Concurrent copy and kernel execution:          Yes with 1 copy engine(s)
  Run time limit on kernels:                     Yes
  Integrated GPU sharing Host Memory:            No
  Support host page-locked memory mapping:       Yes
  Alignment requirement for Surfaces:            Yes
  Device has ECC support:                        Disabled
  Device supports Unified Addressing (UVA):      Yes
  Device PCI Domain ID / Bus ID / location ID:   0 / 1 / 0
  Compute Mode:
     < Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >

deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 7.5, CUDA Runtime Version = 7.0, NumDevs = 1, Device0 = GeForce GTX 670

कोई विचार क्यों यह काम नहीं कर रहा है?
धन्यवाद!

मुझे लगता है कि __ldg आदिम केवल 3.5+ के लिए मौजूद है। हमारे पास दोनों का समर्थन करने के लिए एक आंतरिक सुधार है जिसे हम जल्द ही बाहर निकालने का प्रयास करेंगे।

अधिक जानकारी के लिए देखें https://github.com/tensorflow/tensorflow/issues/320

धन्यवाद! #320 से फिक्स जोड़ने से मुझे मदद मिली, मैं (बहुत सी चेतावनियों के साथ) संकलित कर सकता हूं और निष्पादित कर सकता हूं

bazel-bin/tensorflow/cc/tutorials_example_trainer --use_gpu

जब मैं उदाहरण चलाता हूं:

tensorflow/models/image/mnist$ python convolutional.py 

मुझे चेतावनी मिलती है कि:

Ignoring gpu device (device: 0, name: GeForce GTX 670, pci bus id: 0000:01:00.0) with Cuda compute capability 3.0. The minimum required Cuda capability is 3.5.

टेंसरफ़्लो/मॉडल/छवियों से उदाहरणों में GPU कैसे सक्षम करें?

@erikbern
क्या आपने Amazon पर कई GPU समस्या का पता लगाया है? मैं सीआईएफएआर एकाधिक जीपीयू इंस्टेंस भी चला रहा हूं लेकिन कोई गति नहीं दिख रही है।

यहाँ GPU उपयोग की स्थिति है, ऐसा लगता है कि सभी GPU उपयोग में हैं लेकिन वे कुछ नहीं करते हैं।

+-------------------------------------------------------- -----+
| NVIDIA-SMI 346.46 ड्राइवर संस्करण: 346.46 |
|------------------------------------------+----------------- -----+---------------------+
| GPU नाम पर्सिस्टेंस-एम| बस-आईडी डिस्प.ए | अस्थिर ईसीसी |
| फैन टेम्प परफ Pwr: उपयोग/कैप | मेमोरी-उपयोग | जीपीयू-यूटिल कंप्यूट एम। |
|============================================= =====+======================|
| 0 ग्रिड K520 ऑफ | 0000: 00: 03.0 बंद | एन/ए |
| एन/ए 54सी पी0 55डब्लू / 125डब्लू | 3832MiB / 4095MiB | 37% डिफ़ॉल्ट |
+------------------------------------------ -----+---------------------+
| 1 ग्रिड K520 बंद | 0000: 00: 04.0 बंद | एन/ए |
| एन/ए 42C P0 42W / 125W | 3796MiB / 4095MiB | 0% डिफ़ॉल्ट |
+------------------------------------------ -----+---------------------+
| 2 ग्रिड K520 ऑफ | 0000: 00: 05.0 बंद | एन/ए |
| एन/ए 46सी पी0 43डब्ल्यू / 125डब्ल्यू | 3796MiB / 4095MiB | 0% डिफ़ॉल्ट |
+------------------------------------------ -----+---------------------+
| 3 ग्रिड K520 ऑफ | 0000: 00: 06.0 बंद | एन/ए |
| एन/ए 43सी पी0 41डब्ल्यू / 125डब्ल्यू | 3796MiB / 4095MiB | 0% डिफ़ॉल्ट |
+------------------------------------------ -----+---------------------+

+-------------------------------------------------------- -----------------------------+
| प्रक्रियाएं: जीपीयू मेमोरी |
| GPU PID प्रकार प्रक्रिया का नाम उपयोग |
|============================================ ============================|
| 0 60160 सी अजगर 3819MiB |
| 1 60160 सी अजगर 3783 एमआईबी |
| 2 60160 सी अजगर 3783MiB |
| 3 60160 सी अजगर 3783 एमआईबी |
+-------------------------------------------------------- -----------------------------+

@mhejrati https://news.ycombinator.com/item?id=10555692 पर एक टिप्पणी के अनुसार ऐसा लगता है कि आप इसे AWS में नहीं कर सकते:

Xen वर्चुअलाइजेशन P2P प्रतियों को निष्क्रिय कर देता है, ergo GPU में वह होता है जिसे हम "संवाद करने में विफलता और कुछ GPU जिन्हें आप अभी तक नहीं पहुंच सकते (CPU के माध्यम से जाने के बिना) तक नहीं पहुंच सकते हैं।"

सुनिश्चित नहीं है कि एचएन टिप्पणियां कितनी भरोसेमंद हैं, लेकिन मुझे अब तक बस इतना ही पता है

@erikbern @mhejrati मुझे इतना यकीन नहीं है कि ज़ेन की विशिष्ट संपत्ति एक समस्या है। P2P प्रतियां आवश्यक नहीं लगती हैं क्योंकि CPU अभी भी प्रत्येक GPU को एक दूसरे से संवाद करने के लिए GPU की आवश्यकता के बिना कार्य सौंप सकता है। यह अभी भी अजीब है कि उदाहरण के लिए सभी GPU इस अर्ध-उपयोग की स्थिति में प्रतीत होते हैं लेकिन काम बिना किसी त्रुटि के होता है।

मैं इस बग को बंद कर दूंगा। यदि यहां की कुछ समस्याएं अनसुलझी रहती हैं, तो कृपया अधिक विशिष्ट शीर्षक के साथ एक नया खोलें।

क्या इसका मतलब यह है कि टेंसरफ़्लो का अंतिम संस्करण Amazon g2 इंस्टेंस पर बिना किसी हैक के काम करता है? और क्या इसका मतलब यह है कि यह वहां एक से अधिक GPU काम करता है?

मुझे यकीन नहीं है कि हमें TF_UNOFFICIAL_* "हैक नहीं" कहना चाहिए, लेकिन हां, यह _चाहिए_ काम करता है। यदि ऐसा नहीं होता है, तो यह संभवतः क्यूडा 3.0 प्रति से संबंधित नहीं है, और हमारे पास एक और विशिष्ट बग होना चाहिए।

और क्या अमेज़ॅन इंस्टेंस पर दो या दो से अधिक जीपीयू पर कोड निष्पादित करना संभव है? उदाहरण के लिए, CIFAR उदाहरण जैसे मॉडल को प्रशिक्षित करने के लिए डेटा समानता। कई लोगों ने इस टिप्पणी के ऊपर सिर्फ 5 टिप्पणियों में लिखा कि यह संभव नहीं था।

मुझें नहीं पता। लेकिन अगर यह अभी भी 0.6.0 के साथ एक समस्या है, तो यह एक बग होना चाहिए, कई GPU के बारे में अधिक विशिष्ट।

मैं उबंटू पर 0.6.0 का उपयोग कर रहा हूं, एक से अधिक जीपीयू का उपयोग करने में सक्षम नहीं हूं। एक GPU पर GPU का उपयोग हमेशा 0 होता है।

केवल संदर्भ के लिए, K40 या K80 किराए पर लेना वास्तव में निषेधात्मक रूप से महंगा नहीं है। अमेज़ॅन के पास वे नहीं हैं, लेकिन http://www.nvidia.com/object/gpu-cloud-computing-services.html पर कई विकल्प हैं। (कुछ कम से कम 3$/घंटा की तरह)

थीनो और टॉर्च को कंप्यूट 3.0 से कोई समस्या नहीं है। क्या हम उम्मीद कर सकते हैं कि TensorFlow जल्द ही कभी भी कंप्यूट 3.0 का समर्थन करेगा?

या कम से कम पुन: संकलित किए बिना प्रतिबंध को ओवरराइड करने की क्षमता जोड़ें।

@Dringite , आप निम्न का उपयोग करके Cuda 3.0 को सक्षम कर सकते हैं:

TF_UNOFFICIAL_SETTING=1 ./configure

यह कार्यात्मक होना चाहिए। और यदि ऐसा नहीं होता है, तो इसे ट्रैक करने के लिए कोई अन्य समस्या दर्ज करने के लिए स्वतंत्र महसूस करें।

टेंसरफ़्लो इंस्टाल गाइड में अब क्यूडा 3.0 के लिए भी एक फिक्स शामिल है

बुध, 10 फरवरी 2016 अपराह्न 2:37 बजे, zheng-xq [email protected] ने लिखा:

@Dringite https://github.com/Dringite , आप Cuda 3.0 का उपयोग करके सक्षम कर सकते हैं
निम्नलिखित:

TF_UNOFFICIAL_SETTING=1 ./configure

यह कार्यात्मक होना चाहिए। और अगर ऐसा नहीं होता है, तो बेझिझक दूसरा फाइल करें
इसे ट्रैक करने का मुद्दा।

-
इस ईमेल का सीधे उत्तर दें या इसे GitHub पर देखें
https://github.com/tensorflow/tensorflow/issues/25#issuecomment -182610763
.

मुझे लगता है कि वर्तमान गाइड जीपीयू के लिए काम नहीं करता है - परीक्षण नेन की वापसी करता है जैसा कि पहले बताया गया था।
विशेष रूप से आपको अभी भी ऐसा करने की ज़रूरत है:
TF_UNOFFICIAL_SETTING=1 ./configure

मुझे क्यूडा 3.0 के लिए एक फिक्स सहित इंस्टॉल गाइड नहीं मिल रहा है, क्या कोई मेरे लिए इंगित कर सकता है? धन्यवाद!

प्रिंटफ "\ny\n7.5\n\n\n\n3.0\n" | कॉन्फ़िगर

7.5 क्यूडा संस्करण है, 3.0 गणना है।

एकल GPU के साथ तुलना करने पर Amazon (CUDA=7.5, cudnn =4.0,compute = 3.0) पर कई GPU के लिए अभी भी कोई प्रदर्शन सुधार नहीं हुआ है।

कूडा गणना क्षमता 2.0 पर कोई भी सफल होता है?

सत्यापित है कि 'TF_UNOFFICIAL_SETTING=1 ./configure' GeForce GT 750M के साथ मैकबुक प्रो पर काम करता है। धन्यवाद!

क्या आधिकारिक फिक्स के लिए कोई ईटीए है? यह वास्तव में उत्पादन में बनाए रखने के लिए एक दर्द है (उदाहरण के लिए अपने स्वयं के डॉकरफाइल के साथ छवियां बनाएं)।

जब मैं mnist नमूना चलाने का प्रयास करता हूं तो मेरा लैपटॉप मुझे यह लॉग देता है:
"क्यूडा कंप्यूट क्षमता 2.1 के साथ जीपीयू डिवाइस (डिवाइस: 0, नाम: जीईफ़ोर्स जीटी 635 एम, पीसीआई बस आईडी) को अनदेखा करना। न्यूनतम आवश्यक क्यूडा क्षमता 3.0 है।"
तो क्या इसका मतलब यह है कि मैं GPU संस्करण का उपयोग नहीं कर सकता क्योंकि टेंसरफ़्लो के लिए न्यूनतम Cuda 3.0 है?
धन्यवाद

यदि आप पूर्वनिर्मित बायनेरिज़ का उपयोग करते हैं, हाँ। यदि आप स्रोत से निर्माण करते हैं तो आप कर सकते हैं
क्यूडा 2.1 समर्थन के साथ निर्माण करें लेकिन मुझे नहीं पता कि यह वास्तव में काम करता है या नहीं। यह है
संभावना है कि प्रभावी न्यूनतम क्यूडा 3.0 है।
शनिवार, 10 सितंबर, 2016 को 11:51 Mojtaba Tabatabaie [email protected] . पर
लिखा था:

जब मैं mnist नमूना चलाने का प्रयास करता हूं तो मेरा लैपटॉप मुझे यह लॉग देता है:
"क्यूडा के साथ जीपीयू डिवाइस (डिवाइस: 0, नाम: जीईफ़ोर्स जीटी 635 एम, पीसीआई बस आईडी) को अनदेखा करना
गणना क्षमता 2.1। न्यूनतम आवश्यक कूडा क्षमता 3.0 है। "
तो क्या इसका मतलब यह है कि मैं GPU संस्करण का उपयोग नहीं कर सकता क्योंकि न्यूनतम Cuda
टेंसरफ़्लो के लिए 3.0 है?
धन्यवाद

-
आप इसे प्राप्त कर रहे हैं क्योंकि आपने खुली/बंद स्थिति को संशोधित किया है।
इस ईमेल का सीधे उत्तर दें, इसे GitHub पर देखें
https://github.com/tensorflow/tensorflow/issues/25#issuecomment -246128896,
या थ्रेड को म्यूट करें
https://github.com/notifications/unsubscribe-auth/AAjO_RvNrRMQEmsueXWoaU5FX4tWHZq3ks5qovwegaJpZM4Ge0kc
.

@smtabatabaie क्या आपने @martinwicke द्वारा सुझाए गए स्रोत से cuDNN बनाने की कोशिश की है, मुझे आपके जैसे ही मुद्दों का सामना करना पड़ रहा है और यदि आप अपना अनुभव साझा करते हैं तो इससे मुझे बहुत मदद मिलेगी?

कृपया कुछ मदद करें। मुझे एक ही त्रुटि संदेश मिल रहा है "दृश्यमान जीपीयू डिवाइस को अनदेखा करना (डिवाइस: 0, नाम: GeForce GT 750M, पीसीआई बस आईडी: 0000: 01:00.0) क्यूडा गणना क्षमता 3.0 के साथ। न्यूनतम आवश्यक क्यूडा क्षमता 3.5 है।"

मैंने दूसरों से पोस्ट के माध्यम से पढ़ा है, एकमात्र मुद्दा यह है कि यह एक सीधी विंडोज़ स्थापना है और एडब्ल्यूएस पर नहीं है क्योंकि मैं मान रहा हूं कि यहां अधिकांश लोगों के पास है। टेंसरफ़्लो वेबसाइट में, यह कहा गया है कि न्यूनतम 3.0 की आवश्यकता है, मैं इसका उपयोग क्यों नहीं कर पा रहा हूँ? और मैं इसके आसपास कैसे जा सकता हूं?

कृपया इसे कैसे करें इस पर सुझावों का स्वागत है।

@gunan @mrry विंडोज़ पैकेज हैं जो cuda 3.0 के साथ नहीं बने हैं? क्या इसीलिए
वे इतने छोटे हैं?

@martinwicke रातें हैं और आरसी 1 भी होना चाहिए।

रात्रिकालीन हाँ।
rc0 मुझे लगता है कि 3.5 था।
क्या हमने 3.0 से r0.12 का उपयोग करने के लिए परिवर्तन को चुना?

हमने परिवर्तन को चेरीपिक किया।
@cydal आप यहां रात के निर्माण का उपयोग कर सकते हैं:
http://ci.tensorflow.org/view/Nightly/job/nightly-win/14/DEVICE=gpu ,OS=windows/artifact/cmake_build/tf_python/dist/tensorflow_gpu-0.12.0rc0-cp35-cp35m-win_amd64. wl

या आप 0.12.0rc1 की प्रतीक्षा कर सकते हैं, जो कुछ दिनों में उतरना चाहिए।

त्वरित प्रतिक्रिया के लिए धन्यवाद दोस्तों, मैं कम से कम थोड़ी देर के लिए एक की उम्मीद नहीं कर रहा था। क्षमा करें अगर यह एक बेवकूफ सवाल की तरह लगता है, तो मैं इसे कैसे स्थापित करूं? क्या मैं बस इसे स्थापित करने के लिए पाइप करता हूं? (यदि हां, तो क्या मैंने पिछले टेंसरफ़्लो जीपीयू को हटा दिया है? या यह स्वचालित रूप से ऐसा करता है?) मुझे थोड़ा नौसिखिया समझो।

लिंक "पीआईपी पैकेज" को इंगित करता है।
यदि आपने pip install कमांड का उपयोग किया है, तो आपको --upgrade ध्वज के साथ उसी कमांड का उपयोग करने में सक्षम होना चाहिए।
या आप pip uninstall tensorflow चला सकते हैं और फिर ऊपर सूचीबद्ध पैकेज को स्थापित कर सकते हैं।
एक बार जब आप यूआरएल को पाइप कमांड देते हैं, तो यह स्वचालित रूप से डाउनलोड और इंस्टॉल हो जाएगा।

यह सब मैं आपके सिस्टम, आपके अजगर वितरण आदि पर सीमित ज्ञान के साथ दे सकता हूं।
पाइप पैकेज इंस्टॉलेशन आपके पायथन वितरण के साथ कैसे काम करता है, इस बारे में अधिक जानकारी के लिए Google खोज करने पर विचार करें।

नमस्ते, मैंने बस पिछले एक को अनइंस्टॉल किया और पुनः इंस्टॉल किया और यह काम करता है! बहुत-बहुत धन्यवाद, आपने मुझे नया लैपटॉप खरीदने से बचाया।

हाय @gunan 3.5 संगतता के लिए नवीनतम परिवर्तन के साथ, मुझे निम्न लॉग मिलता है:

>>>> sess = tf.Session()
I c:\tf_jenkins\home\workspace\nightly-win\device\gpu\os\windows\tensorflow\core
\common_runtime\gpu\gpu_device.cc:885] Found device 0 with properties:
name: Quadro K4100M
major: 3 minor: 0 memoryClockRate (GHz) 0.7055
pciBusID 0000:01:00.0
Total memory: 4.00GiB
Free memory: 3.69GiB
I c:\tf_jenkins\home\workspace\nightly-win\device\gpu\os\windows\tensorflow\core
\common_runtime\gpu\gpu_device.cc:906] DMA: 0
I c:\tf_jenkins\home\workspace\nightly-win\device\gpu\os\windows\tensorflow\core
\common_runtime\gpu\gpu_device.cc:916] 0:   Y
I c:\tf_jenkins\home\workspace\nightly-win\device\gpu\os\windows\tensorflow\core
\common_runtime\gpu\gpu_device.cc:975] Creating TensorFlow device (/gpu:0) -> (d
evice: 0, name: Quadro K4100M, pci bus id: 0000:01:00.0)
E c:\tf_jenkins\home\workspace\nightly-win\device\gpu\os\windows\tensorflow\core
\common_runtime\gpu\gpu_device.cc:586] Could not identify NUMA node of /job:loca
lhost/replica:0/task:0/gpu:0, defaulting to 0.  Your kernel may not have been bu
ilt with NUMA support.

मैं इसके आसपास कैसे जा सकता हूं? इसे कैसे करें इस पर सुझावों का स्वागत है।

@ kay10 ऐसा लगता है कि यह काम कर गया। अंतिम पंक्ति पर वह त्रुटि संदेश सहज है, और रिलीज में हटा दिया जा रहा है।

जैसा कि मैंने इस धागे में देखा है, सभी के पास संगतता स्तर 3 है। जिनके पास 2 की संगतता है, क्या स्रोत कोड संकलित किए बिना कोई समाधान है?
मैंने @gunan द्वारा साझा किए गए रात के निर्माण की कोशिश की और त्रुटि मिली:
tensorflow_gpu-0.12.0rc0-cp35-cp35m-win_amd64.whl is not a supported wheel on this platform.
यह एक लिनक्स व्हील नहीं है और मैंने इसे थोड़ा जल्द ही महसूस किया।

16.04 उबंटू पर वर्तमान स्थिति।
I tensorflow/core/common_runtime/gpu/gpu_device.cc:948] Ignoring visible gpu device (device: 0, name: GeForce GTX 590, pci bus id: 0000:03:00.0) with Cuda compute capability 2.0. The minimum required Cuda capability is 3.0. I tensorflow/core/common_runtime/gpu/gpu_device.cc:948] Ignoring visible gpu device (device: 1, name: GeForce GTX 590, pci bus id: 0000:04:00.0) with Cuda compute capability 2.0. The minimum required Cuda capability is 3.0.

@batuhandayioglugil हमारे बहुत से GPU कर्नेल कार्यक्षमता पर भरोसा करते हैं जो केवल 3.0 और इसके बाद के संस्करण में उपलब्ध है, इसलिए दुर्भाग्य से आपको एक नए GPU की आवश्यकता होगी। आप क्लाउड सेवाओं में से किसी एक को आज़माने पर भी विचार कर सकते हैं।

@vrv मैं इन मुद्दों पर काफी समय बिताने और एक नया पीएसयू खरीदने के बाद इस बिंदु पर आया, इसलिए मुझे बहुत खर्च हुआ। समय की बर्बादी से बचने के लिए, मैं एक प्रश्न पूछना चाहता हूं: कम से कम 15 गहन शिक्षण पुस्तकालय हैं जिन्हें मैंने सुना है। टेंसरफ़्लो के लिए Cuda और cuDNN आवश्यक थे। क्या यह स्थिति (गणना क्षमता) cuda पुस्तकालय के लिए विशेष है? क्या मुझे कोई और मौका मिल सकता है? यदि नहीं, तो मैं सही जानना छोड़ दूंगा और सीपीयू के साथ काम करना जारी रखूंगा (मेरी उपेक्षा को क्षमा करें)

मुझे लगता है कि यह आपके 2.0 कार्ड को काम करने की कोशिश करने की तुलना में अधिक परेशानी होगी - यह संभव है कि आपका मौजूदा सीपीयू आपके विशिष्ट जीपीयू से तेज या तेज हो, और शुरू करने में बहुत कम परेशानी हो। मुझे नहीं पता कि दुर्भाग्य से अन्य पुस्तकालयों की क्या आवश्यकता है।

क्या यह पहले से ही GPU गणना 3.0 का समर्थन करता है?

हां।

@martinwicke तेजी से प्रतिक्रिया के लिए धन्यवाद। क्या मुझे अभी भी इसे स्रोत से बनाना है, या सीधे इसे स्थापित करना है? मैं आर्क लिनक्स पर हूं और सी कंपाइलर के साथ त्रुटि देने वाले स्रोत से इसे बनाने के लिए संघर्ष करता हूं।

मुझे लगता है कि इसे बाइनरी से काम करना चाहिए।

मुझे एक ही समस्या है "कूडा कंप्यूट क्षमता 2.1 के साथ gpu डिवाइस (डिवाइस: 0, नाम: GeForce GT 635M, pci बस आईडी) को अनदेखा करना। न्यूनतम आवश्यक Cuda क्षमता 3.0 है।" . @smtabatabaie @martinwicke @alphajatin। मदद !!!!

गणना क्षमता 2.1 TensorFlow चलाने के लिए बहुत कम है। GPU पर TensorFlow चलाने के लिए आपको एक नए (या अधिक शक्तिशाली) ग्राफिक्स कार्ड की आवश्यकता होगी।

प्रश्न के उत्तर का url अमान्य है। क्या आप इसे अपडेट कर सकते हैं?

रात्रिकालीन पाइप पैकेज के लिए, संस्थापन का अनुशंसित तरीका pip install tf-nightly कमांड का उपयोग करना है।
ci.tensorflow.org पदावनत है।