Google Colab - Utilisation d'un GPU gratuit

Google propose l'utilisation d'un GPU gratuit pour vos notebooks Colab.

Activation du GPU

Pour activer le GPU dans votre ordinateur portable, sélectionnez les options de menu suivantes -

Runtime / Change runtime type

Vous verrez l'écran suivant comme sortie -

Sélectionner GPUet votre ordinateur portable utiliserait le GPU gratuit fourni dans le cloud pendant le traitement. Pour avoir une idée du traitement GPU, essayez d'exécuter l'exemple d'application à partir deMNIST tutoriel que vous avez cloné précédemment.

!python3 "/content/drive/My Drive/app/mnist_cnn.py"

Essayez d'exécuter le même fichier Python sans le GPU activé. Avez-vous remarqué la différence de vitesse d'exécution?

Tester le GPU

Vous pouvez facilement vérifier si le GPU est activé en exécutant le code suivant -

import tensorflow as tf
tf.test.gpu_device_name()

Si le GPU est activé, il donnera la sortie suivante -

'/device:GPU:0'

Liste des appareils

Si vous êtes curieux de connaître les appareils utilisés lors de l'exécution de votre notebook dans le cloud, essayez le code suivant -

from tensorflow.python.client import device_lib
device_lib.list_local_devices()

Vous verrez la sortie comme suit -

[name: "/device:CPU:0"
   device_type: "CPU"
   memory_limit: 268435456
   locality { }
   incarnation: 1734904979049303143, name: "/device:XLA_CPU:0"
   device_type: "XLA_CPU" memory_limit: 17179869184
   locality { } 
   incarnation: 16069148927281628039
   physical_device_desc: "device: XLA_CPU device", name: "/device:XLA_GPU:0"
   device_type: "XLA_GPU"
   memory_limit: 17179869184
   locality { }
   incarnation: 16623465188569787091
   physical_device_desc: "device: XLA_GPU device", name: "/device:GPU:0"
   device_type: "GPU"
   memory_limit: 14062547764
   locality {
      bus_id: 1
      links { } 
   }
   incarnation: 6674128802944374158
physical_device_desc: "device: 0, name: Tesla T4, pci bus id: 0000:00:04.0, compute capability: 7.5"]

Vérification de la RAM

Pour voir les ressources mémoire disponibles pour votre processus, tapez la commande suivante -

!cat /proc/meminfo

Vous verrez la sortie suivante -

MemTotal: 13335276 kB
MemFree: 7322964 kB
MemAvailable: 10519168 kB
Buffers: 95732 kB
Cached: 2787632 kB
SwapCached: 0 kB
Active: 2433984 kB
Inactive: 3060124 kB
Active(anon): 2101704 kB
Inactive(anon): 22880 kB
Active(file): 332280 kB
Inactive(file): 3037244 kB
Unevictable: 0 kB
Mlocked: 0 kB
SwapTotal: 0 kB
SwapFree: 0 kB
Dirty: 412 kB
Writeback: 0 kB
AnonPages: 2610780 kB
Mapped: 838200 kB
Shmem: 23436 kB
Slab: 183240 kB
SReclaimable: 135324 kB
SUnreclaim: 47916
kBKernelStack: 4992 kB
PageTables: 13600 kB
NFS_Unstable: 0 kB
Bounce: 0 kB
WritebackTmp: 0 kB
CommitLimit: 6667636 kB
Committed_AS: 4801380 kB
VmallocTotal: 34359738367 kB
VmallocUsed: 0 kB
VmallocChunk: 0 kB
AnonHugePages: 0 kB
ShmemHugePages: 0 kB
ShmemPmdMapped: 0 kB
HugePages_Total: 0
HugePages_Free: 0
HugePages_Rsvd: 0
HugePages_Surp: 0
Hugepagesize: 2048 kB
DirectMap4k: 303092 kB
DirectMap2M: 5988352 kB
DirectMap1G: 9437184 kB

Vous êtes maintenant prêt pour le développement de modèles d'apprentissage automatique en Python à l'aide de Google Colab.