多CPU上的Python多处理，GPU

Question

我有8个GPU，64个CPU核（multiprocessing.CPU\u count（）=64）

我尝试使用深度学习模型推断多个视频文件。我想在8个GPU中的每个GPU上处理一些文件。对于每个GPU，我希望使用不同的6个CPU核

python文件名下方：inference_{gpu_id}.py

Input1: GPU_id

Input2: Files to process for GPU_id

from torch.multiprocessing import Pool, Process, set_start_method
try:
     set_start_method('spawn', force=True)
except RuntimeError:
    pass

model = load_model(device='cuda:' + gpu_id) 

def pooling_func(file):
    preds = []
    cap = cv2.VideoCapture(file)
    while(cap.isOpened()):
          ret, frame = cap.read()
          count += 1
          if ret == True:
                frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
                pred = model(frame)[0]
                preds.append(pred)
          else:
                break
    cap.release()
    np.save(file[:-4]+'.npy', preds)

def process_files():

    # all files to process on gpu_id
    files = np.load(gpu_id + '_files.npy') 

    # I am hoping to use 6 cores for this gpu_id, 
    # and a different 6 cores for a different GPU id
    pool = Pool(6) 

    r = list(tqdm(pool.imap(pooling_func, files), total = len(files)))
    pool.close()
    pool.join()

if __name__ == '__main__':
    import multiprocessing
    multiprocessing.freeze_support()
    process_files()

我希望在所有gpu上同时运行推理{gpu\U id}.py文件

目前，我能够在一个GPU、6核上成功运行它，但当我尝试在所有GPU上同时运行它时，只有GPU 0运行，所有其他GPU停止给出以下错误消息

RuntimeError: CUDA error: invalid device ordinal.

我正在运行的脚本：

CUDA_VISIBLE_DEVICES=0 inference_0.py

CUDA_VISIBLE_DEVICES=1 inference_1.py

...

CUDA_VISIBLE_DEVICES=7 inference_7.py

Answer 1

以下是对question you asked的最初答复，但后来被删除

---

考虑到这一点，如果你没有使用^ {CD1>}标志，那么所有的GPU都可以用于你的Py火炬进程。这意味着torch.cuda.device_count将返回8（假设您的版本设置有效）。您将能够通过^{}、通过torch.device('cuda:0')、torch.device('cuda:1')、torch.device('cuda:8')访问这8个GPU中的每一个

现在，如果您只打算使用一个，并且希望将您的流程限制为一个。然后CUDA_VISIBLE_DEVICES=i（其中i是设备序号）将使其成为这样。在这种情况下torch.cuda只能通过torch.device('cuda:0')访问单个设备。不管实际的设备顺序是什么，访问它的方式都是通过torch.device('cuda:0')

如果您允许访问多个设备：比如n°0、n°4和n°2，那么您将使用CUDA_VISIBLE_DEVICES=0,4,2。因此，您通过d0 = torch.device('cuda:0')、d1 = torch.device('cuda:1')和d2 = torch.device('cuda:2')引用cuda设备。与您使用标志定义它们的顺序相同，，即：

d0 -> GPU n°0, d1 -> GPU n°4, and d2 -> GPU n°2.

这使得您可以使用相同的代码并在不同的GPU上运行它，而无需更改引用设备序号的底层代码

总之，您需要查看的是运行代码所需的设备数量。在您的情况下：1就足够了。您将使用torch.device('cuda:0')引用它。但是，在运行代码时，需要使用以下标志指定cuda:0设备是什么：

> CUDA_VISIBLE_DEVICES=0 inference.py
> CUDA_VISIBLE_DEVICES=1 inference.py
  ...
> CUDA_VISIBLE_DEVICES=7 inference.py

注意'cuda'将默认为'cuda:0'