小编cod*_*key的帖子

我想通过虚拟环境使用tensorflow。但是，我想要运行的Python脚本要求我使用不包含tensorflow的单独虚拟环境。

是否可以同时激活这些？如果没有，我可以以某种方式合并两个虚拟环境吗？

我最近开始在 PyTorch 脚本中使用wandb模块，以确保 GPU 高效运行。然而，我不确定这些图表到底表明了什么。

我一直在关注此链接中的教程，https://lambdalabs.com/blog/weights-and-bias-gpu-cpu-utilization/，并对这个图感到困惑：

我不确定 GPU % 和 GPU 内存访问 % 图表。博客中的描述如下：

• GPU %：这张图可能是最重要的一张。它跟踪过去采样期间一个或多个内核在 GPU 上执行的时间百分比。基本上，您希望该值接近 100%，这意味着 GPU 一直忙于数据处理。上图有两条曲线。这是因为有两个 GPU，并且只有其中一个（蓝色）用于实验。蓝色 GPU 的繁忙程度约为 90%，这意味着它还不错，但仍有一些改进的空间。这种利用率次优的原因是我们在本实验中使用的小批量大小 (4)。GPU 经常从内存中获取少量数据，并且不能使内存总线或 CUDA 核心饱和。稍后我们将看到仅通过增加批量大小就可以增加这个数字。

• GPU 内存访问百分比：这是一个有趣的问题。它测量过去采样周期内 GPU 内存被读取或写入的时间百分比。我们应该保持这个百分比较低，因为您希望 GPU 将大部分时间花在计算上，而不是从内存中获取数据。在上图中，繁忙的 GPU 有大约 85% 的正常运行时间访问内存。这是非常高的并且导致了一些性能问题。降低百分比的一种方法是增加批处理大小，以便数据获取变得更加高效。

我有以下问题：

1. 上述数值之和并不等于 100%。看起来我们的 GPU 要么花时间在计算上，要么花时间在读/写内存上。这两个值的总和如何大于 100%？
2. 为什么增加批量大小会减少访问 GPU 内存所花费的时间？

我正在尝试使用以下代码行将“数据”（大小为112943）截断为形状（1,15000）：

data = np.reshape(data, (1, 15000))

但是，这给了我以下错误：

ValueError: cannot reshape array of size 112943 into shape (1,15000)

关于如何解决此错误的任何建议？