Salut tout le monde. Une question s'est posée aujourd'hui sur la manière dont les membres des ventes techniques sur le terrain peuvent fournir des commentaires sur le complément Torch Deep Learning (TDLA). J'aimerais que nous utilisions ce fil pour les discussions internes et les rapports de bogues. Si vous trouvez un bug, veuillez fournir une description des étapes qui ont conduit au problème ainsi que l'ensemble de données utilisé (ou au moins une description de l'ensemble de données).
De plus, comme je l'ai mentionné dans la formation sur TDLA d'aujourd'hui, n'envoyez pas de bugs ou de rapports d'erreur au support technique pour cette extension de JMP.
@russ_wolfinger , merci, c'était un problème de taille d'image. Lorsque j'ai augmenté la taille de l'image à 112, le modèle a fonctionné sans problème. Serait-il possible d'ajouter une coche ou de définir la taille de l'image par défaut pour qu'elle soit compatible avec le modèle d'image sélectionné ?
Merci @Peter_Hersh , je viens de publier ce qui suit sur le chat des équipes de formation SE et permettez-moi de le republier ici pour m'assurer que les gens le voient. Plus précisément, je suis intéressé de savoir si CUDA est installé et si cela fait une différence, car je pense que votre RTX A3000 devrait fonctionner plutôt bien dans de nombreux cas. Notez également qu'AlexNet et plusieurs autres modèles auront besoin que la taille de l'image soit supérieure à 28. 224 est souvent très bon mais ralentira les temps d'exécution. Les tailles d'image de 56 et 112 peuvent également bien fonctionner dans de nombreux cas et être plus rapides que 224.
Utilisateurs d'ordinateurs portables Windows : vous aurez peut-être encore de la chance grâce aux accélérations avec une carte NVIDIA, du moins pour les modèles d'image et de texte plus petits. Veuillez essayer les étapes suivantes :
1. Vérifiez quelle carte NVIDIA vous possédez en ouvrant le Gestionnaire des tâches, cliquez sur l'onglet Performances, puis regardez vers le bas. Mon ThinkPad a une Quadro RTX 3000 avec 6 Go de RAM, ce qui n'est pas une trop mauvaise carte
2. Si votre carte NVIDIA semble correcte, ouvrez une invite de commande et tapez la commande « nvidia-smi ». Le résultat devrait ressembler à ce qui suit, indiquant votre version de CUDA, le nom de votre carte, ainsi que son utilisation actuelle de la mémoire et du calcul.
3. Si nvidia-smi n'est pas trouvé, installez les pilotes CUDA en suivant les instructions ici : Guide d'installation CUDA pour Microsoft Windows (nvidia.com) Je sais que cela semble long, mais il ne s'agit principalement que de vérifications et cela ne devrait prendre que 10 minutes environ. Vérifiez que CUDA est correctement installé en répétant l'étape 2.
4. Installez le complément Torch depuis myjmp.com, page Early Adopter. La première fois que vous lancerez la plateforme, 7 gros fichiers seront téléchargés. S'il vous plaît soyez patient et laissez-les télécharger à 100 % et décompresser complètement. Si, pour une raison quelconque, l'installation est interrompue ou ne se termine que partiellement, supprimez l'intégralité du dossier du complément com.jmp.torchdeeplearning (cliquez sur Affichage > Compléments, Torch Deep Learning, Dossier personnel) et réessayez.
5. Essayez l'exemple MNIST complet en cliquant sur Compléments > Torch Deep Learning > Exemples de données > MNIST. Cliquez sur la flèche verte du script Torch intégré près du coin supérieur gauche, puis sur Go. Pendant son exécution, essayez nvidia-smi dans votre shell de commande plusieurs fois pour vérifier l'utilisation du GPU. Le mien affiche environ 1 Go de mémoire et 40 % de calcul lors de l'exécution de MNIST. La durée totale d'exécution est de 50 secondes sur mon ThinkPad - pas trop mal. À titre de comparaison, le même travail prend en réalité environ 2 minutes sur mon bureau avec une Quadro RTX 6000 plus grande que j'ai utilisée hier.
6. Pour les modèles d'image et de texte plus grands, réduisez la taille du lot pour utiliser moins de mémoire GPU. Un lot de 8 ou même de 4 ou 2 peut être nécessaire. Vous pouvez généralement également utiliser moins d'époques lorsque vous diminuez la taille du lot, car le modèle effectue des étapes plus fréquemment et converge plus rapidement.
7. L'API NVIDIA C++ n'offre actuellement pas un excellent moyen d'effacer la mémoire GPU et elle a tendance à s'accumuler après l'exécution de plusieurs modèles. Si vous recevez un message d'erreur de mémoire insuffisante et/ou si votre sortie nvidia-smi affiche une mémoire presque pleine, le seul recours est d'arrêter complètement et de redémarrer JMP Pro. Enregistrez les modèles avant de le faire à partir du triangle rouge et vous pourrez reprendre là où vous vous étiez arrêté. De plus, Ctrl-J est pratique pour prendre des instantanés de la sortie en cours et les enregistrer en tant que journal JMP. C'est ce que j'ai fait pour les journaux du livre d'histoires.
@russ_wolfinger , Oui, allez-y et utilisez l'ensemble de données, il s'agit d'un sous-ensemble d'un ensemble de données plus vaste que j'ai obtenu de Kaggle. J'ai exécuté un ensemble de données de taille moyenne avec environ 3 000 images et cela a bien fonctionné pour les paramètres par défaut en utilisant le modèle d'image LeNet5. Quelque chose dans ces trois types de modèles me posait des problèmes.
J'ai un GPU NVIDIA RTX A3000 avec 6 Go de mémoire dédiée. J'ai un processeur de 64 Go.
@Peter_Hersh Merci pour le rapport. Le script intégré avec 8 modèles d'image différents s'exécute proprement sur ma machine avec un GPU en 10 minutes environ et l'utilisation finale de la mémoire GPU est de 4 Go. Le message d'erreur que vous avez reçu semble être légitime : votre ordinateur n'a plus de mémoire. Puis-je vous demander sur quel type de matériel vous utilisez ?
AlexNet et DenseNet121 nécessitent des valeurs plus grandes pour la taille de l'image, comme 112 ou 224. Nous travaillons sur une meilleure messagerie d'erreur à ce sujet.
Ce sont de belles données avec des radiographies pulmonaires. Serait-il acceptable de l'ajouter au livre d'histoires ? Quelle est la source des données ?
Quelques modèles d'images que j'ai essayés avec cet ensemble de données me donnent un message d'erreur. AlexNet, EfficientNetB0, DenseNet121 ont tous donné le message d'erreur ci-dessous.
