在CentOS上监控PyTorch运行状态，可以采用以下几种方法：
计算
安全
数据库
网络和加速
企业服务
htop或top这些工具可以实时显示系统资源的使用情况，包括CPU和内存。
sudo yum install htop
htop
nvidia-smi如果你使用的是NVIDIA GPU，nvidia-smi是一个非常有用的工具，它可以显示GPU的使用情况、温度、功耗等信息。
nvidia-smi
torch.cuda APIPyTorch提供了torch.cuda API来监控GPU的使用情况。你可以在代码中添加一些打印语句来查看GPU的内存使用情况和计算负载。
import torch
# 检查是否有可用的GPU
if torch.cuda.is_available():
device = torch.device("cuda")
print(f"Using GPU: {torch.cuda.get_device_name(0)}")
# 创建一个大的张量并将其移动到GPU
tensor = torch.randn(1000, 1000).to(device)
print(f"Memory allocated on GPU: {torch.cuda.memory_allocated(device) / (1024 ** 3):.2f} GB")
else:
print("No GPU available, using CPU instead.")
device = torch.device("cpu")
# 运行一些计算
result = tensor.matmul(tensor)
print(f"Memory used during computation: {torch.cuda.memory_allocated(device) / (1024 ** 3):.2f} GB")
TensorBoardTensorBoard是TensorFlow的可视化工具，但也可以用于PyTorch。你可以使用torch.utils.tensorboard模块来记录和查看训练过程中的各种指标。
首先，安装TensorBoard：
pip install tensorboard
然后在你的PyTorch代码中添加以下内容：
from torch.utils.tensorboard import SummaryWriter
writer = SummaryWriter('runs/experiment_1')
# 在训练循环中记录损失和其他指标
for epoch in range(num_epochs):
loss = train_model(...) # 你的训练代码
writer.add_scalar('Loss/train', loss, epoch)
writer.close()
最后，在终端中启动TensorBoard：
tensorboard --logdir=runs
然后在浏览器中打开http://localhost:6006即可查看TensorBoard界面。
psutilpsutil是一个跨平台的库，用于访问系统使用情况和进程信息。你可以在Python脚本中使用它来监控内存和CPU的使用情况。
首先，安装psutil：
pip install psutil
然后在你的代码中添加以下内容：
import psutil
import os
process = psutil.Process(os.getpid())
print(f"Memory usage: {process.memory_info().rss / (1024 ** 2):.2f} MB")
print(f"CPU usage: {process.cpu_percent(interval=1.0):.2f}%")
通过这些方法，你可以在CentOS上有效地监控PyTorch的运行状态。
亿速云「云服务器」，即开即用、新一代英特尔至强铂金CPU、三副本存储NVMe SSD云盘，价格低至29元/月。点击查看>>
