^{Назад | Вперед | Содержание
Переносное обучение}

Проверка PyTorch

Для проверки правильности установки PyTorch и обнаружения вашей GPU выполните следующие команды из интерактивной оболочки Python - запустите python или python3 из терминала:

>>> import torch
>>> print(torch.__version__)
>>> print('CUDA доступен: ' + str(torch.cuda.is_available()))
>>> a = torch.cuda.FloatTensor(2).zero_()
>>> print('Тензор a = ' + str(a))
>>> b = torch.randn(2).cuda()
>>> print('Тензор b = ' + str(b))
>>> c = a + b
>>> print('Тензор c = ' + str(c))

>>> import torchvision
>>> print(torchvision.__version__)

Обратите внимание, что версия torch должна быть отображена как 1.6.0, а версия torchvision должна быть 0.7.0.

Монтирование Swap Если вы не используете Jetson AGX Xavier, вам следует смонтировать 4 ГБ пространства swap, так как обучение требует большое количество дополнительной памяти.

Выполните следующие команды на вашем Jetson (за пределами контейнера) для отключения ZRAM и создания файла swap:

sudo systemctl disable nvzramconfig
sudo fallocate -l bk 4G /mnt/4GB.swap
sudo mkswap /mnt/4GB.swap
sudo swapon /mnt/4GB.swap

Затем добавьте следующую строку в конец файла /etc/fstab, чтобы сделать изменения постоянными:

/mnt/4GB.swap  none  swap  sw 0  0

Теперь ваш файл swap будет автоматически смонтирован после перезагрузки. Для проверки использования выполните команды swapon -s или tegrastats. Отключение ZRAM (внутреннего сжатого пространства swap) также освобождает физическую память и требует перезагрузки для вступления в силу.

Отключение графического интерфейса пользователя

Если вы испытываете нехватку памяти во время обучения, вы можете попробовать временно отключить графический интерфейс пользователя Ubuntu во время обучения. Это освободит дополнительную память, используемую менеджером окон и рабочим столом (около ~800 МБ для Unity/GNOME или ~250 МБ для LXDE). Вы можете временно отключить рабочий стол, выполнить команды в консоли, а затем перезапустить рабочий стол после завершения обучения:

$ sudo init 3     # остановить рабочий стол
# войти в консоль от имени пользователя
# выполнить скрипты обучения PyTorch

Исправления:

1. "bk 4G" заменено на "4G".
2. "4GB. swap" заменено на "4GB.swap". $ sudo init 5 # перезапустить рабочий стол

 Если вы хотите сделать это постоянным при перезагрузке, вы можете использовать следующие команды для изменения поведения при запуске:
 ``` bash
$ sudo systemctl set-default multi-user.target     # отключить рабочий стол при запуске
$ sudo systemctl set-default graphical.target      # включить рабочий стол при запуске

После перезагрузки рабочий стол останется отключенным или включенным (в зависимости от того, какой параметр вы установили). ## Повторная настройка наборов данных для обучения Ниже приведены пошаговые инструкции по повторной настройке моделей на примерных наборах данных с использованием переносного обучения, а также по сбору собственных данных для создания собственных настраиваемых моделей:

• Классификация/Распознавание (ResNet-18) * Повторная настройка на наборе данных кошек/собак * Повторная настройка на наборе данных PlantCLEF * Сбор собственных наборов данных для классификации
• Обнаружение объектов (SSD-Mobilenet)
  • Повторная настройка SSD-Mobilenet
  • Сбор собственных наборов данных для обнаружения объектов В таблице приведена сводка наборов данных и соответствующих им времени обучения: | Тип | Набор данных | Размер | Классы | Изображения для обучения | Время на эпоху* | Время обучения** | |:-----------:|:-----------:|:-------:|:----------:|:-----------------:|:-----------------:|:-----------------:| | Классификация | Кошки/Собаки | 800МБ | 2 | 5 000 | ~7-8 минут | ~4 часа | | Классификация | PlantCLEF | 1,5ГБ | 20 | 10 475 | ~15 минут | ~8 часов | | Обнаружение | Фрукты | 2ГБ | 8 | 6 375 | ~15 минут | ~8 часов | *  Приблизительное время для одного полного прохода обучения по набору данных с использованием Jetson Nano
    ** Приблизительное время для обучения модели на 35 эпох с использованием Jetson Nano

Далее | Повторная настройка на наборе данных кошек/собак
Назад | Монокулярная глубина с использованием DepthNet

^{© OnClickListener 2016-2019 NVIDIA | Содержание}