এই ব্লগে, আমরা PyTorch-এ GPU ব্যবহার বৃদ্ধি করার উপায়গুলির উপর ফোকাস করব৷
কিভাবে PyTorch এ GPU ব্যবহার বাড়ানো যায়?
GPU ব্যবহার বাড়ানোর জন্য এবং জটিল মেশিন-লার্নিং মডেলগুলির প্রক্রিয়াকরণের জন্য সর্বোত্তম হার্ডওয়্যার সংস্থানগুলি ব্যবহার করা হচ্ছে তা নিশ্চিত করতে বিভিন্ন কৌশল ব্যবহার করা যেতে পারে। এই কৌশলগুলির মধ্যে কোড সম্পাদনা করা এবং PyTorch বৈশিষ্ট্যগুলি ব্যবহার করা জড়িত। কিছু গুরুত্বপূর্ণ টিপস এবং কৌশল নীচে তালিকাভুক্ত করা হয়েছে:
- ডেটা এবং ব্যাচের আকার লোড হচ্ছে
- কম মেমরি-নির্ভর মডেল
- পাইটর্চ লাইটনিং
- Google Colab-এ রানটাইম সেটিংস অ্যাডজাস্ট করুন
- অপ্টিমাইজেশনের জন্য ক্যাশে সাফ করুন
ডেটা এবং ব্যাচের আকার লোড হচ্ছে
দ্য ' ডেটা লোডার ” পাইটর্চে ডিপ লার্নিং মডেলের প্রতিটি ফরোয়ার্ড পাসের সাথে প্রসেসরে লোড করা ডেটার স্পেসিফিকেশন নির্ধারণ করতে ব্যবহৃত হয়। একটি বড় ' ব্যাচ আকার ” ডেটার আরও প্রক্রিয়াকরণ শক্তির প্রয়োজন হবে এবং উপলব্ধ GPU-এর ব্যবহার বৃদ্ধি করবে৷
একটি কাস্টম ভেরিয়েবলে PyTorch-এ একটি নির্দিষ্ট ব্যাচ আকার সহ একটি ডেটালোডার বরাদ্দ করার জন্য সিনট্যাক্স নীচে দেওয়া হল:
Increase_GPU_Utilization = ডেটালোডার ( ব্যাচ আকার = 32 )
কম মেমরি-নির্ভর মডেল
প্রতিটি মডেল আর্কিটেকচারের জন্য আলাদা ভলিউম প্রয়োজন “ স্মৃতি ” এর সর্বোত্তম স্তরে সঞ্চালন করা। যে মডেলগুলি প্রতি ইউনিটের কম মেমরি ব্যবহারে দক্ষ তারা ব্যাচের আকারের সাথে কাজ করতে সক্ষম যা অন্যদের তুলনায় অনেক বেশি।
পাইটর্চ লাইটনিং
পাইটর্চের একটি স্কেল-ডাউন সংস্করণ রয়েছে যা ' পাইটর্চ লাইটনিং ” এটি বাজ-দ্রুত পারফরম্যান্সের জন্য অপ্টিমাইজ করা হয়েছে যা এর নাম থেকে দেখা যায়। লাইটনিং ডিফল্টভাবে GPU ব্যবহার করে এবং মেশিন লার্নিং মডেলের জন্য অনেক দ্রুত প্রসেসিং অফার করে। লাইটনিংয়ের একটি প্রধান সুবিধা হল বয়লারপ্লেট কোডের প্রয়োজনীয়তার অভাব যা প্রক্রিয়াকরণকে বাধাগ্রস্ত করতে পারে।
নীচে দেওয়া সিনট্যাক্স সহ একটি PyTorch প্রকল্পে প্রয়োজনীয় লাইব্রেরিগুলি আমদানি করুন:
! পিপ ইন্সটল টর্চ
! পিপ ইনস্টল pytorch - বজ্র
আমদানি টর্চ
আমদানি pytorch_বাজ
Google Colab-এ রানটাইম সেটিংস অ্যাডজাস্ট করুন
Google Colaboratory হল একটি ক্লাউড IDE যেটি PyTorch মডেলগুলির বিকাশের জন্য তার ব্যবহারকারীদের বিনামূল্যে GPU অ্যাক্সেস প্রদান করে। ডিফল্টরূপে, Colab প্রকল্পগুলি CPU-তে চলছে কিন্তু সেটিংস পরিবর্তন করা যেতে পারে।
Colab নোটবুক খুলুন, 'এ যান রানটাইম মেনু বারে ' বিকল্পটি, এবং নীচে স্ক্রোল করুন ' রানটাইম সেটিংস পরিবর্তন করুন ”:
তারপর, নির্বাচন করুন 'T4 GPU' বিকল্প এবং 'এ ক্লিক করুন সংরক্ষণ GPU ব্যবহার করার জন্য পরিবর্তনগুলি প্রয়োগ করতে:
অপ্টিমাইজেশনের জন্য ক্যাশে সাফ করুন
PyTorch এর ব্যবহারকারীদের নতুন প্রক্রিয়া চালানোর জন্য স্থান খালি করতে সক্ষম হওয়ার জন্য মেমরি ক্যাশে সাফ করার অনুমতি দেয়। দ্য ' ক্যাশে ” চালিত মডেলগুলি সম্পর্কে ডেটা এবং তথ্য সংরক্ষণ করে যাতে এই মডেলগুলি পুনরায় লোড করার সময় ব্যয় করা সময় বাঁচাতে পারে৷ ক্যাশে সাফ করা ব্যবহারকারীদের নতুন মডেল চালানোর জন্য আরও স্থান প্রদান করে।
GPU ক্যাশে সাফ করার কমান্ডটি নীচে দেওয়া হয়েছে:
টর্চ ভিন্ন . খালি_ক্যাশে ( )
এই টিপসগুলি PyTorch-এ GPU-এর সাহায্যে মেশিন লার্নিং মডেলগুলিকে অপ্টিমাইজ করতে ব্যবহার করা হয়৷
প্রো-টিপ
Google Colab তার ব্যবহারকারীদের GPU ব্যবহার সম্পর্কে বিশদ অ্যাক্সেস করার অনুমতি দেয় ' এনভিডিয়া হার্ডওয়্যার সংস্থানগুলি কোথায় ব্যবহার করা হচ্ছে সে সম্পর্কে তথ্য পেতে। জিপিইউ ব্যবহারের বিশদ প্রদর্শনের কমান্ডটি নীচে দেওয়া হয়েছে:
! এনভিডিয়া - smi
সফলতার ! আমরা PyTorch-এ GPU ব্যবহার বাড়ানোর কয়েকটি উপায় দেখিয়েছি।
উপসংহার
ক্যাশে মুছে, পাইটর্চ লাইটনিং ব্যবহার করে, রানটাইম সেটিংস সামঞ্জস্য করে, দক্ষ মডেল ব্যবহার করে এবং সর্বোত্তম ব্যাচের আকারের মাধ্যমে PyTorch-এ GPU ব্যবহার বাড়ান। এই কৌশলগুলি নিশ্চিত করতে অনেক দূর এগিয়ে যায় যে গভীর শিক্ষার মডেলগুলি তাদের সর্বোত্তম কার্য সম্পাদন করে এবং উপলব্ধ ডেটা থেকে বৈধ সিদ্ধান্ত এবং অনুমান করতে সক্ষম হয়। আমরা জিপিইউ ব্যবহার বাড়ানোর কৌশলগুলো দেখিয়েছি।