from torch.autograd import Variable
import torch
import torch.nn as nn
import torch.backends.cudnn as cudnn
cudnn.benchmark = True
import sys
print('__Python VERSION:', sys.version)
print('__pyTorch VERSION:', torch.__version__)
print('__CUDA VERSION')
from subprocess import call
call(["nvcc", "--version"])
print('__CUDNN VERSION:', torch.backends.cudnn.version())
print('__Number CUDA Devices:', torch.cuda.device_count())
print('__Devices')
call(["nvidia-smi", "--format=csv", "--query-gpu=index,name,driver_version,memory.total,memory.used,memory.free"])
print('Active CUDA Device: GPU', torch.cuda.current_device())
# print(' Try to change to Device 2 - with "torch.cuda.device(2)"')
# torch.cuda.device(2)
# print(' ! Active CUDA Device is still:', torch.cuda.current_device())
#
# print(' Try again with environment vars')
# import os
# os.environ["CUDA_DEVICE_ORDER"]="PCI_BUS_ID" # see issue #152
# os.environ["CUDA_VISIBLE_DEVICES"]="2"
# print(' ! Active CUDA Device is still:', torch.cuda.current_device())
import time
from torch.nn import Conv1d as Conv1d
num_runs = 10
s = 5*22050
print('\n')
for seqlen in [s]:
for batch_size in [16, 32]:
for dilation in reversed([64, 128, 256, 512]):
m = nn.Sequential(Conv1d(32, 32, kernel_size=2, dilation=dilation),
Conv1d(32, 32, kernel_size=2, dilation=dilation),
Conv1d(32, 32, kernel_size=2, dilation=dilation),
Conv1d(32, 32, kernel_size=2, dilation=dilation),
Conv1d(32, 32, kernel_size=2, dilation=dilation)).cuda()
input = torch.randn(batch_size, 32, seqlen).float().cuda()
torch.cuda.synchronize()
start = time.time()
for j in range(num_runs):
output = m(Variable(input, requires_grad=True))
output.backward(output.data)
torch.cuda.synchronize()
mean_time = (time.time() - start) / float(num_runs)
print('batch_size: %i\tdilation: %i\tseqlen: %i\t time %f\t runs: %i' %(batch_size, dilation, seqlen, mean_time, num_runs))
Keluaran:
__Python VERSION: 3.6.0 |Anaconda 4.3.1 (64-bit)| (default, Dec 23 2016, 12:22:00)
__pyTorch VERSION: 0.1.11+8aa1cef
__CUDA VERSION
Cuda compilation tools, release 8.0, V8.0.61
__CUDNN VERSION: 6020
__Number CUDA Devices: 4
__Devices
index, name, driver_version, memory.total [MiB], memory.used [MiB], memory.free [MiB]
0, GeForce GTX 1080 Ti, 381.09, 11158 MiB, 318 MiB, 10840 MiB
1, GeForce GTX 1080 Ti, 381.09, 11172 MiB, 11 MiB, 11161 MiB
2, GeForce GTX 1080 Ti, 381.09, 11172 MiB, 11 MiB, 11161 MiB
3, GeForce GTX 1080 Ti, 381.09, 11172 MiB, 11 MiB, 11161 MiB
Active CUDA Device: GPU 0
batch_size: 16 dilation: 512 seqlen: 110250 time 0.204314 runs: 10
batch_size: 16 dilation: 256 seqlen: 110250 time 0.162138 runs: 10
batch_size: 16 dilation: 128 seqlen: 110250 time 0.148690 runs: 10
batch_size: 16 dilation: 64 seqlen: 110250 time 0.141783 runs: 10
batch_size: 32 dilation: 512 seqlen: 110250 time 0.279548 runs: 10
Traceback (most recent call last):
File "benchmark_test.py", line 48, in <module>
output = m(Variable(input, requires_grad=True))
File "/home/USERNAME/anaconda3/lib/python3.6/site-packages/torch/nn/modules/module.py", line 206, in __call__
result = self.forward(*input, **kwargs)
File "/home/USERNAME/anaconda3/lib/python3.6/site-packages/torch/nn/modules/container.py", line 64, in forward
input = module(input)
File "/home/USERNAME/anaconda3/lib/python3.6/site-packages/torch/nn/modules/module.py", line 206, in __call__
result = self.forward(*input, **kwargs)
File "/home/USERNAME/anaconda3/lib/python3.6/site-packages/torch/nn/modules/conv.py", line 143, in forward
self.padding, self.dilation, self.groups)
File "/home/USERNAME/anaconda3/lib/python3.6/site-packages/torch/nn/functional.py", line 62, in conv1d
return f(input, weight, bias)
RuntimeError: CUDNN_STATUS_ALLOC_FAILED
Saya bertanya-tanya mengapa saya mendapatkan CUDNN_STATUS_ALLOC_FAILED.
Setelah beberapa percobaan saya menemukan bahwa - kesalahan atau tidak - tergantung pada urutan dalam daftar pelebaran:
baris 37: for dilation in reversed([64, 128, 256, 512]):
Eksekusi tanpa reversed
berjalan tanpa kesalahan.
Saya belum akrab dengan semuanya. Saya kehilangan sesuatu?
--
Untungnya saya mengadaptasi kode ini dari #967.
Omong-omong: Saya juga ingin tahu mengapa saya tidak dapat mengubah perangkat CUDA yang aktif (lihat komentar di kode)…
Silakan coba jalankan dengan cudnn.benchmark=False. cudnn.benchmark tidak ada gunanya untuk konvolusi yang melebar.
Hai,
Anda harus menggunakan torch.cuda.set_device(2) untuk mengubah GPU yang Anda gunakan atau:
with torch.cuda.device(2):
# do stuff on gpu 2
# Back on the default GPU
Juga CUDA_VISIBLE_DEVICES
hanya akan mempengaruhi eksekusi jika disetel sebelum memulai skrip.
Wow, terima kasih atas jawaban yang cepat dan sangat tepat!
@ngimel : Tidak pernah terpikirkan... Menggunakan cudnn.benchmark=False berhasil. Tidak peduli berapa ukuran daftar yang saya coba. Kesalahan tidak muncul lagi.
@albanD : Itu berhasil juga! Saya tidak menggunakan set_device() karena dokumennya menyatakan bahwa tidak disarankan untuk menggunakan device(). Aneh.
Komentar yang paling membantu
Silakan coba jalankan dengan cudnn.benchmark=False. cudnn.benchmark tidak ada gunanya untuk konvolusi yang melebar.