천천히 정리

* 두 명령어 모두 superuser 권한이 필요하니 sudo를 앞에 꼭 붙일 것 $ sudo swapoff -a swap 메모리가 잡히지 않는 것을 htop에서 확인할 수 있다. $ sudo swapon -a 다시 swap 메모리가 잡히는 것을 htop에서 확인할 수 있다.

1. (.gz) 파일 $ gzip -d [파일 이름].gz -d 옵션을 붙이면 원래 존재하던 .gz파일을 없애고, 압축해체한 파일로 대체된다. 2. (.tar.gz) 파일 $ tar zvfx [파일 이름].tar.gz zvfx 옵션을 붙이면 압축 해제를 현재 디렉토리에 할 수 있다. 3. (.tar) 파일 - 압축해제 $ tar vfx [파일 이름].tar - 압축 $ tar -cvf [파일 이름].tar 4. (.zip) 파일 - (파일) 압축해제 $ unzip [파일 이름].zip + 비밀번호가 걸려있는 경우 $ unzip -P [비밀번호] [파일이름].zip - (파일) 압축 $ zip [파일 이름].zip - (폴더) 압축 $ zip -r [폴더 이름].zip 폴더이름/ (뒤에 / slash 꼭 ..

$ free -hfree 명령어로 현재 메모리의 상태를 확인할 수 있다. 1. Pagecache 비우기 (Option 1)$ sudo sh -c "echo 1 > /proc/sys/vm/drop_caches" 만약 위 명령어로 메모리가 비워지지 않는다면 2. Dentry, Inode 해제하기 (Option 2)$ sudo sh -c "echo 2 > /proc/sys/vm/drop_caches"* Dentry : Directory Entry (실제 파일의 폴더 경로) / Inode 의 연결 해제* 다른 중요한 프로세스가 동작하는 동안은 dentry, inode 캐시를 삭제하면 안 됨!! 3. Pagecache + Inode 한 번에 해제 (Option 3)$ sudo sh -c "echo 3 > /pro..

$ 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..