问题标签 [tesla]

最近，谷歌在我正在工作的项目中批准了我的 4 个 nvidia tesla p100 的配额（所以我有配额）。

问题是我不知道如何在 gcp 中调用 nvidia p100，而且我在任何地方都找不到它。我正在制作这样的实例。

有谁知道如何制作正确的实例？

我注意到将数据传输到最近的高端 GPU 比将数据收集回 CPU 更快。以下是使用 mathworks 技术支持提供给我的基准测试功能的结果，该功能在较旧的 Nvidia K20 和最近的带有 PCIE 的 Nvidia P100 上运行：

我在下面附上了基准函数以供参考。P100不对称的原因是什么？这个系统是依赖于它还是最近高端 GPU 的标准？采集速度可以提高吗？

编辑：我们现在知道它不依赖于系统（见评论）。我仍然想知道不对称的原因，或者它是否可以改变。

我有以下代码片段：

此代码在 Tesla K40 上运行良好，但在 16GB Tesla V100 上运行良好。（即使是我的笔记本电脑也可以使用 4GB Quaddro M2200 GPU 运行代码）。

代码只是挂在 V100 上，永远不会从 cudaMemcpyToSymbol 调用返回，但看起来它仍在 GPU 上处理。有任何想法吗？

我正在使用以下代码从大约 4000 个图像中提取特征，这些图像分为 30 个类别。

虽然，我的整个数据集要大得多，多达 80,000 张图像。查看我的 GPU 内存时，这段代码在 Keras (2.1.2) 中适用于 4000 张图像，但几乎占用了我的 Tesla K80 的所有 5gig 视频 RAM。我想知道是否可以通过更改 batch_size 来提高性能，或者这段代码的工作方式对我的 GPU 来说太重了，我应该重写它吗？

谢谢！

我正在使用 tensorflow 的 api 训练“faster_rcnn_inception_resnet_v2_atrous_coco”用于自定义对象检测。

我在 azure 上设置了一台机器，配置如下：

Intel cxeon CPU E5-2690 v3 @ 2.60GHz RAM 56GB windows10 64bit GPU tesla k80 总内存 11.18GB

当我运行 train.py 时，我每秒得到以下速度：

INFO:tensorflow:global step 458: loss = 0.5601 (3.000 sec/step) I1009 19:30:13.254615 5916 tf_logging.py:115] global step 458: loss = 0.5601 (3.000 sec/step) INFO:tensorflow:global step 459 : loss = 0.5724 (3.077 sec/step) I1009 19:30:16.331734 5916 tf_logging.py:115] global step 459: loss = 0.5724 (3.077 sec/step) INFO:tensorflow:global step 460: loss = 0.8615 (3.018 sec /step) I1009 19:30:19.350132 5916 tf_logging.py:115] 全局步骤 460: loss = 0.8615 (3.018 sec/step) INFO:tensorflow:global step 461: loss = 0.6021 (3.062 sec/step) I1009 19:30 :22.428256 5916 tf_logging.py:115] 全局步骤 461: loss = 0.6021 (3.062 sec/step)

它是否足够快，或者它应该更快，因为它使用的是 GPU？配置文件的批处理大小为 1。当我将其更改为 2 或更高时，它会耗尽内存。

在 93 张图像的数据集中，每步需要 3 秒。好的...但是在训练之后，当我加载冻结图并尝试对所有图像进行预测时，每张图像需要 1 秒.. 使用 GPU... 似乎太慢了.. 我做错了什么？

我刚刚在具有 2 个 GPU（Nvidia Tesla K80）的 Google Compute Engine 上启动了一个实例。刚开始，我可以看到nvidia-smi其中一个已经被充分利用了。

我检查了正在运行的进程列表，根本没有任何运行。这是否意味着 Google 已将相同的 GPU 出租给其他人？

这一切都在这台机器上运行：

我的机器是Ubuntu 18.04.1 LTS，已经成功安装了 CUDA。的输出$nvcc --version是

我有两个 Tesla K80 的 GPU，命令nvidia-smi显示：

nvidia-smi 的输出

我也尝试使用./deviceQueryfrom进行测试，NVIDIA_CUDA-9.0_Samples其输出如下：

但是，一旦我version 1.11.0从 pip 安装了 Tensorflow GPU，我就无法打开 Tensorflow 会话。

它输出：

我尝试重新安装 Tensorflow 1.12.0，但没有任何变化。感谢您的帮助。

我正在尝试使用 tesla 发出发布请求，但出现错误：

我的请求代码是

在 tesla base url 中是:https://api.sendgrid.com/v3并且还设置了 authorization key。我们如何为发布请求传递数据？

正如在特斯拉文档中定义的发布请求一样：

这个星球上有没有人可以帮助摆脱这个故障:(。

最近，我正在阅读《大规模并行处理器编程》一书。第 3 章中的一个阅读练习要求我判断哪种 SM 作业是可能的。问题如下所示

指出每个多处理器可以进行以下哪些分配：

1. 计算能力为 1.0 的设备上有 8 个块，每个块有 128 个线程。
2. 计算能力为 1.2 的设备上的 8 个块，每个块有 128 个线程。
3. 具有计算能力 3.0 的设备上的 8 个块，每个块有 128 个线程。
4. 计算能力为 1.0 的设备上有 16 个块，每个块有 64 个线程。
5. 计算能力为 1.2 的设备上的 16 个块，每个块有 64 个线程。
6. 具有计算能力 3.0 的设备上的 16 个块，每个块有 64 个线程。

从最近的 CUDA 编程协会，我只找到了计算能力 3.0 的规范，它允许每个 SM 最多 16 个块和 2048 个线程，每个块最多 1024 个线程。不幸的是，我没有找到任何与计算能力 1.0 相关的信息。

谁能告诉我在哪里可以找到计算能力 1.0 的块规范？非常感谢你

这是我要访问的 URL：

/example/?fields=*&filter[platform][eq]=111&order=date:asc&filter[date][gt]=1500619813000&expand=yes

我的代码：

我正在尝试执行具有这些filter[date][gt]=123123123123类型查询参数的 Tesla GET 请求。

感谢帮助！