천천히 정리

$ free -h free 명령어로 현재 메모리의 상태를 확인할 수 있다. $ sudo sh -c "echo 1 > /proc/sys/vm/drop_caches" 만약 위 명령어로 메모리가 비워지지 않는다면 $ sudo sh -c "echo 2 > /proc/sys/vm/drop_caches"

$ watch -n [원하는 초] nvidia-smi ex) $ watch -n 1 nvidia-smi (1초 단위로 nvidia-smi 확인 가능) 위의 붉은 박스 부분의 시간이 자신이 설정한 시간 단위로 변하고 있는 것을 확인하면 된다.

※ rtx 3090, ubuntu 20.04, docker, tensorflow 사용 맨 처음 tensorflow-gpu의 버전부터 바꿔보기, 2.4를 사용하면 똑바로 gpu가 인식되는 경우가 있다. $ pip3 install tensorflow-gpu==2.4.0 해당 에러로 도커 내부의 tensorflow에서 gpu가 잡히지 않는다. 필요로 하는 것은 11 버전인데 cudnn을 깔면 8이나 10으로 설치되었기 때문이다. 뒤에 나와있는 숫자를 다 11로 바꿔주면 된다. ※ 이미 cudnn이 다 깔려있다면 3번으로 가서 숫자만 바꾸면 된다. [해결방법] 1. nvidia 홈페이지(밑의 링크)에 가서, 로그인 후 cudnn을 본인의 환경에 맞게 다운로드 후 압축 해제 https://developer.nvi..

* docker container 삭제 $ docker rm [컨테이너ID] $ docker rm [컨테이너명] ▶ 컨테이너가 실행중이라면 삭제가 되지 않는다. 실행중인 컨테이너를 다 종료하고, 그 다음 삭제해야함 * docker image 삭제 $ docker rmi [이미지ID] $ docker rmi [이미지명] ▶ 이미지와 연관된 컨테이너가 있다면, 이미지도 삭제되지 않음. 먼저 관련 컨테이너를 다 정리하고, 이미지를 삭제해야함

[ Docker Container 생성 ] 1. docker image 확인 $ docker images 더보기 * 아무것도 설치되지 않은 맨 처음의 깡통 이미지 설치 $ docker pull ubuntu:latest 2. docker container 만들기 $ docker run --gpus all -it -v [현재 컴퓨터의 원하는 경로]:[container 내 원하는 경로] -p [컴퓨터의 원하는 포트]:[container의 원하는 포트] --name [원하는 container 이름] [image이름:태그] [container가 켜지고 실행될 명령어] ex) $ docker run --gpus all -it -v /home/user/Desktop:/home/Docker -p 8888:8888 --..

주피터 셀에 아래 명령어만 그대로 붙여 넣어 실행 ( %까지 다 붙여넣어야 함 ) %config Completer.use_jedi = False

$ import torch $ torch.cuda.is_available() ( cuda 먼저 확인 / False 뜨면 gpu 버전에 맞게 pytorch 재설치 ) $ torch.cuda.get_device_name()

tf-nightly 2.7.0-dev20210806 버전 기준으로 설명함. 1. Tensorflow 설치 확인 from tensorflow.python.client import device_lib import tensorflow as tf tf.__version__ 2. Cuda 및 GPU 동작 확인 print(tf.test.is_built_with_cuda()) print(tf.test.is_built_with_gpu_support()) 3. physical_device 확인 physical_devices = tf.config.list_physical_devices('GPU') physical_devices 4. 사용 가능한 cpu 및 gpu 확인 (여기에서 gpu가 보여야함) local_devices..

※ 경험한 바로는 3090에 기본 Tensorflow-gpu를 설치하면 tensorflow가 gpu를 똑바로 잡지 못했다. (이유는 아직도 모르겠음) [해결방법] - tensorflow nightly 버전을 이용한다. - nightly 버전 : 안정화된 tensorflow 버전이 아닌 매일매일 개발되고 있는 버전. - 기존의 tensorflow와 똑같이 사용하면 된다. - 아니면 tensorflow-gpu 2.4 버전을 사용한다. (다른 라이브러리들과 버전 충돌 주의) $ pip3 install tf-nightly $ pip3 install tensorflow-gpu==2.4.0 (참고) https://pypi.org/project/tf-nightly/

※ Window의 작업관리자, ubuntu의 htop처럼 GPU의 사용량을 확인하게 해주는 nvtop 사용법. ※ 사용환경 : Ubuntu LTS 20 - nvtop 설치 $ sudo apt install nvtop sudo가 없을 경우 $ apt-get install -y sudo 먼저 하고 nvtop 설치 - 설치 및 동작 확인 $ nvtop - apt로 nvtop이 깔리지 않을 때 $ sudo apt install cmake libncurses5-dev libncursesw5-dev git $ git clone https://github.com/Syllo/nvtop.git GitHub - Syllo/nvtop: AMD and NVIDIA GPUs htop like monitoring tool AMD..