在 Jupyter Lab 中运行的代码使用的 GPU RAM 与作为脚本运行的代码截然不同

Question

我正在 PyTorch 中训练一个 3D 连体网络。当我从 iPython (v7.15.0) 终端运行代码时，GPU RAM 使用量最大为 1739M：

当我将相同的代码复制到 Jupyter 笔记本（在 Jupyter Lab v2.1.5 中）时，GPU RAM 使用量为 10209M：

Jupyter Lab 在相同的 Python 虚拟环境中从终端运行。

首先，我不明白为什么在 Jupyter Lab 中运行脚本会使 GPU RAM 使用率增加近 6 倍。

其次，相关的是，无论如何让 Jupyter Lab 以使用 1739M 范围内的某处作为 GPU RAM 的模式运行？我喜欢拥有围绕代码和输出的所有“文档”的能力。

Python 版本 3.6.9。

Answer 1

好的，现在我意识到当我运行这两个时有什么不同。

我的机器上有两个 GPU，一个是驱动视频的 Quadro M2000，另一个是 Titan XP。当我在命令行上运行 JupyterLab 时，我以 jupyter lab 运行它，但当我运行 iPython 时，我以 CUDA_VISIBLE_DEVICES=0 ipython --pylab 运行它。如果没有 CUDA_VISIBILE_DEVICES，它会给我关于 GPUS 不匹配的警告。我之前在 iPython 终端中运行时看到了警告，但在运行 JupyterLab 时没有看到。

因此，Titan XP 上的 RAM 使用量会跃升至 10G+ 的 RAM 仍然很奇怪。