Run this notebook online:
or Colab: 
5.5. GPU¶
在 Section 1.5 中，我们讨论了过去20年中计算能力的快速增长。简而言之，自2000年以来，GPU性能每十年增长1000倍。这提供了巨大的机会，但也表明需要提供这样的性能。
在本节中，我们开始讨论如何利用这种计算性能进行研究。首先是使用单个GPU，然后是如何使用多个GPU和多个服务器（具有多个GPU）。
具体来说，我们将讨论如何使用单个NVIDIA
GPU进行计算。首先，确保至少安装了一个NVIDIA
GPU。然后，下载NVIDIA驱动和CUDA并按照提示设置适当的路径。当这些准备工作完成，就可以使用nvidia-smi命令来查看显卡信息。
%system nvidia-smi
Mon Feb 6 19:46:14 2023
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 460.73.01 Driver Version: 460.73.01 CUDA Version: 11.2 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
| | | MIG M. |
|===============================+======================+======================|
| 0 Tesla V100-SXM2... Off | 00000000:00:1B.0 Off | 0 |
| N/A 30C P0 49W / 300W | 0MiB / 16160MiB | 0% Default |
| | | N/A |
+-------------------------------+----------------------+----------------------+
| 1 Tesla V100-SXM2... Off | 00000000:00:1C.0 Off | 0 |
| N/A 29C P0 50W / 300W | 0MiB / 16160MiB | 0% Default |
| | | N/A |
+-------------------------------+----------------------+----------------------+
| 2 Tesla V100-SXM2... Off | 00000000:00:1D.0 Off | 0 |
| N/A 29C P0 55W / 300W | 0MiB / 16160MiB | 0% Default |
| | | N/A |
+-------------------------------+----------------------+----------------------+
| 3 Tesla V100-SXM2... Off | 00000000:00:1E.0 Off | 0 |
| N/A 30C P0 51W / 300W | 0MiB / 16160MiB | 4% Default |
| | | N/A |
+-------------------------------+----------------------+----------------------+
+-----------------------------------------------------------------------------+
| Processes: |
| GPU GI CI PID Type Process name GPU Memory |
| ID ID Usage |
|=============================================================================|
| No running processes found |
+-----------------------------------------------------------------------------+
你可能已经注意到 DJL 的 NDArray 看起来与 NumPy 的 ndarray
非常类似。但有一些关键区别，其中之一是 DJL 支持不同的硬件设备。
在 DJL
中，每个数组都有一个设备（Device）。当我们跨多个服务器部署作业时，有的机器有
GPU, 有的没有，这使事情会变得棘手。默认情况下，DJL
会检测软硬件环境，自动选择高性能的运算设备来提高计算效率。
要运行此部分中的程序，至少需要两个GPU。注意，对于大多数桌面计算机来说，这可能是奢侈的，但在云中很容易获得，例如，通过使用AWS EC2的多GPU实例。本节几乎所有的其他部分都不需要多个GPU。本节只是为了说明数据如何在不同的设备之间传递。
5.5.1. 计算设备¶
我们可以指定用于存储和计算的设备，如 CPU 和 GPU.
CPU 和 GPU 可以用 Device.cpu() 和 Device.gpu()
表示。需要注意的是，Device.gpu(1)
只代表一个卡和相应的显存。如果有多个GPU，我们使用gpu(i)表示第\(i\)块GPU（\(i\)从0开始）。另外，gpu(0)和gpu()是等价的。
%load ../utils/djl-imports
System.out.println(Device.cpu());
System.out.println(Device.gpu());
System.out.println(Device.gpu(1));
cpu()
gpu(0)
gpu(1)
我们可以查询可用gpu的数量。
System.out.println("GPU count: " + Engine.getInstance().getGpuCount());
Device d = Device.gpu(1);
GPU count: 4
现在我们定义了一个方便的函数，这个函数允许我们在请求的GPU不存在的情况下运行代码。
/* Return the i'th GPU if it exists, otherwise return the CPU */
public Device tryGpu(int i) {
return Engine.getInstance().getGpuCount() > i ? Device.gpu(i) : Device.cpu();
}
/* Return all available GPUs or the [CPU] if no GPU exists */
public Device[] tryAllGpus() {
int gpuCount = Engine.getInstance().getGpuCount();
if (gpuCount > 0) {
Device[] devices = new Device[gpuCount];
for (int i = 0; i < gpuCount; i++) {
devices[i] = Device.gpu(i);
}
return devices;
}
return new Device[]{Device.cpu()};
}
System.out.println(tryGpu(0));
System.out.println(tryGpu(3));
Arrays.toString(tryAllGpus())
gpu(0)
gpu(3)
[gpu(0), gpu(1), gpu(2), gpu(3)]
5.5.2. NDArray 与 GPU¶
当存在 GPU 的情况下，DJL 会优先使用 GPU。
NDManager manager = NDManager.newBaseManager();
NDArray x = manager.create(new int[]{1, 2, 3});
x.getDevice();
gpu(0)
需要注意的是，无论何时我们要对多个项进行操作，它们都必须在同一个设备上。例如，如果我们对两个张量求和，我们需要确保两个张量都位于同一个设备上，否则框架将不知道在哪里存储结果，甚至不知道在哪里执行计算。
5.5.2.1. 存储在GPU上¶
有几种方法可以在GPU上存储张量。例如，我们可以在创建张量时指定存储设备。接下来，我们在第一个
gpu 上创建张量变量
X。在GPU上创建的张量只消耗这个GPU的显存。我们可以使用nvidia-smi
命令查看显存使用情况。一般来说，我们需要确保不创建超过GPU显存限制的数据。
NDArray x = manager.ones(new Shape(2, 3), DataType.FLOAT32, tryGpu(0));
x
ND: (2, 3) gpu(0) float32
[[1., 1., 1.],
[1., 1., 1.],
]
假设你至少有两个GPU，下面的代码将在第二个GPU上创建一个随机
NDArray。
NDArray y = manager.randomUniform(-1, 1, new Shape(2, 3), DataType.FLOAT32, tryGpu(1));
y
ND: (2, 3) gpu(1) float32
[[ 0.3496, -0.8492, 0.9914],
[-0.8102, -0.1691, -0.7754],
]
5.5.2.2. 复制¶
如果我们要计算 X + Y，我们需要决定在哪里执行这个操作。例如，如
fig_copyto 所示，我们可以将 X
传输到第二个GPU并在那里执行操作。 不要简单地X加上Y，
因为这会导致异常。运行时引擎不知道该怎么做：它在同一设备上找不到数据会导致失败。由于
Y 位于第二个 GPU 上，所以我们需要将 X
移到那里，然后才能执行相加运算。
.. _fig_copyto:
NDArray z = x.toDevice(tryGpu(1), true);
System.out.println(x);
System.out.println(z);
ND: (2, 3) gpu(0) float32
[[1., 1., 1.],
[1., 1., 1.],
]
ND: (2, 3) gpu(1) float32
[[1., 1., 1.],
[1., 1., 1.],
]
现在数据在同一个GPU上（Z和Y都在），我们可以将它们相加。
y.add(z)
ND: (2, 3) gpu(1) float32
[[1.3496, 0.1508, 1.9914],
[0.1898, 0.8309, 0.2246],
]
假设变量 z 已经存在于第二个 GPU 上。如果我们还是调用
z.toDevice(Device.gpu(1))
会发生什么？即使该变量已经存在于目标设备（第二个GPU）上，它仍将被复制并保存在新分配的显存中。有时，根据代码运行的环境不同，两个变量可能已经存在于同一设备上。因此，我们只想在变量存在于不同设备中时进行复制。在这种情况下，我们可以调用
z.toDevice(Device.gpu(1), false)。如果变量已经存在于指定的设备中，则这不会进行任何操作。
5.5.2.3. 旁注¶
人们使用GPU来进行机器学习，因为他们希望运行速度快。但是在设备之间传输变量是缓慢的。所以我们希望你百分之百确定你想做一些缓慢的事情。如果深度学习框架只是自动复制而没有崩溃，那么你可能不会意识到你已经编写了一些缓慢的代码。
此外，在设备（CPU、GPU和其他机器）之间传输数据比计算慢得多。这也使得并行化变得更加困难，因为我们必须等待数据被发送（或者接收），然后才能继续进行更多的操作。这就是为什么拷贝操作要格外小心。根据经验，多个小操作比一个大操作糟糕得多。此外，除非你知道自己在做什么。否则，一次执行几个操作比代码中散布的许多单个操作要好得多。如果一个设备必须等待另一个设备才能执行其他操作，那么这样的操作可能会阻塞。这有点像排队订购咖啡，而不像通过电话预先订购时，当你在的时候发现咖啡已经准备好了。
最后，当我们打印张量或将张量转换为NumPy格式时。如果数据不在内存中，框架会首先将其复制到内存中，这会导致额外的传输开销。
5.5.3. 神经网络与 GPU¶
类似地，神经网络模型可以指定设备。在接下来的几章中，我们将看到更多关于如何在GPU上运行模型的例子，因为它们将变得更加计算密集。
当输入为GPU上的 NDArray 时，模型将在同一GPU上计算结果。总之，只要所有的数据和参数都在同一个设备上，我们就可以有效地学习模型。在下面的章节中，我们将看到几个这样的例子。
5.5.4. 小结¶
我们可以指定用于存储和计算的设备，例如CPU或GPU。
深度学习框架要求计算的所有输入数据都在同一设备上，无论是CPU还是GPU。
不经意地移动数据可能会显著降低性能。一个典型的错误如下：计算GPU上每个小批量的损失，并在命令行中将其报告给用户（或将其记录在NumPy
ndarray中）时，将触发全局解释器锁，从而使所有GPU阻塞。最好是为GPU内部的日志分配内存，并且只移动较大的日志。
5.5.5. 练习¶
尝试一个更大的计算任务，比如大矩阵的乘法，看看CPU和GPU之间的速度差异。一个计算量很小的任务呢？
我们应该如何在GPU上读写模型参数？
测量计算1000个\(100 \times 100\)矩阵的矩阵乘法所需的时间，并记录输出矩阵的弗罗贝尼乌斯范数，一次记录一个结果，而不是在GPU上保存日志并仅传输最终结果。
测量同时在两个GPU上执行两个矩阵乘法与在一个GPU上按顺序执行两个矩阵乘法所需的时间。提示：你应该看到近乎线性的缩放。