딥 러닝에 GPU를 사용하는 방법

소개

내 데이터 과학 Bootcamp는 몇 달 전에 딥 러닝을 소개했습니다. 자료를 읽는 동안 내 RTX 3090이 딥 러닝에 사용될 수 있다는 사실에 너무 놀랐습니다! GPU는 게임용만 있는 줄 알았는데 이제 다음에 새 데스크탑을 만들 때 하이엔드 GPU를 구매할 변명이 하나 더 생겼습니다.

그러나 Anaconda나 Git Bash에서 GPU를 사용하여 Deep Learning을 위한 새로운 환경을 설정하는 것이 쉽지 않았기 때문에 그 흥분은 오래가지 않았습니다. 나는 약간의 연구를 수행했으며 단계는 매우 간단했지만 대부분 1년 이상이었고 Git Bash와 관련된 정보는 없었습니다.

이 기사에서는 Jupyter 노트북에서 GPU 딥 러닝을 사용하기 위해 Git Bash를 통합하는 방법을 보여주고 싶습니다. 환경을 설정하는 방법에 대해 이야기하겠습니다.

GPU 사용의 이점

딥 러닝에 GPU를 사용할 때의 이점에 대해 간단히 말씀드리겠습니다. 훨씬 빠릅니다.



위의 this link 이미지를 기반으로 GPU는 일반적으로 CPU보다 3배 빠릅니다. 더 나은 GPU는 훨씬 더 나은 성능을 제공할 수 있습니다.

설정

0단계

시작하기 전에 Anaconda와 Git Bash가 설치되어 있는지 확인하십시오.

1단계 - 아나콘다

Anaconda를 연 후 메뉴에서 "환경"을 클릭합니다.


환경 목록 하단에서 "만들기"를 클릭합니다.



작은 창이 나타납니다. 환경의 이름을 지정합니다. 이전에 환경 이름을 "gpu"로 지정했습니다. 다음 단계는 버전을 선택하는 것입니다. 내가 읽은 연습에서는 버전 3.6을 선택하라고 했지만 버전 3.7에서도 내 작업을 수행할 수 있었습니다. 그래서 3.7을 추천합니다만, 최신 버전을 사용해보고 잘 되는지 안 되는지 확인하시면 됩니다.


방금 만든 환경을 선택합니다. 드롭다운 메뉴에서 "설치되지 않음"을 선택합니다. "패키지 검색"상자에 "tensorflow"를 입력하고 "Enter"키를 누릅니다.


위의 그림과 같은 결과가 표시되어야 합니다. "keras-gpu"및 "tensorflowo-gpu"를 선택한 다음 "적용"을 클릭합니다. 패키지를 설치할 준비가 되려면 약간의 시간이 걸립니다. Anaconda에서 설치할 수 없다고 표시되면 이 문서의 앞부분에서 언급한 다른 버전으로 다시 시도해야 합니다.

패키지가 설치되면 Git Bash를 사용할 준비가 된 것입니다.

2단계 - 힘내 배쉬

이 단계는 매우 간단하고 빠릅니다. 환경만 바꾸면 됩니다.



"conda activate GPU"를 입력한 다음 "Enter"를 누르십시오.

이제 "jupyter notebook"을 입력한 다음 "Enter"를 눌러 노트북을 엽니다.

3단계 - Jupyter 노트북에서 테스트

아래 코드를 실행하십시오. 아래에 출력을 첨부했습니다.

import tensorflow as tf
from tensorflow import keras
print(len(tf.config.experimental.list_physical_devices('GPU')))

tf.test.is_gpu_available()

tf.test.is_built_with_cuda()

위의 코드를 실행한 후 Git Bash 로그를 확인할 수도 있습니다.

로그에는 메모리 크기와 함께 내 RTX 3090이 언급되어 있습니다. GPU를 출력해야 합니다.

아래 이미지는 GPU 사용 여부에 따른 GPU 메모리 사용량 차이를 보여줍니다. "전용 GPU 메모리"에 주의하십시오.