使用对象检测 API 进行的训练未在 AI Platform 中的 GPU 上运行

Question

我正在尝试在 tensorflow 2 对象检测 api 中运行一些模型的训练。

我正在使用这个命令：

gcloud ai-platform jobs submit training segmentation_maskrcnn_`date +%m_%d_%Y_%H_%M_%S` \
    --runtime-version 2.1 \
    --python-version 3.7 \
    --job-dir=gs://${MODEL_DIR} \
    --package-path ./object_detection \
    --module-name object_detection.model_main_tf2 \
    --region us-central1 \
    --scale-tier CUSTOM \
    --master-machine-type n1-highcpu-32 \
    --master-accelerator count=4,type=nvidia-tesla-p100 \
    -- \
    --model_dir=gs://${MODEL_DIR} \
    --pipeline_config_path=gs://${PIPELINE_CONFIG_PATH}

训练作业已成功提交，但当我在 AI 平台上查看我提交的作业时，我注意到它没有使用 GPU！

另外，在查看我的训练作业的日志时，我注意到在某些情况下它无法打开 cuda。它会这样说：

Could not load dynamic library 'libcudart.so.11.0'; dlerror: libcudart.so.11.0: cannot open shared object file: No such file or directory; LD_LIBRARY_PATH: /usr/local/cuda/extras/CUPTI/lib64:/usr/local/cuda/lib64:/usr/local/nvidia/lib64

几个月前我正在使用 AI 平台进行培训，并且很成功。我不知道现在发生了什么变化！ 事实上，对于我自己的设置，什么都没有改变。

为了记录，我现在正在训练 Mask RCNN。几个月前，我训练了 Faster RCNN 和 SSD 模型。

Answer 1

无法加载动态库“libcudart.so.11.0”； dlerror：libcudart.so.11.0：无法打开共享对象文件：没有这样的文件或目录； LD_LIBRARY_PATH: /usr/local/cuda/extras/CUPTI/lib64:/usr/local/cuda/lib64:/usr/local/nvidia/lib64

我不确定，因为无论如何我都无法测试。通过快速的谷歌搜索，人们似乎出于多种原因遇到了这个问题，并且解决方案在某种程度上取决于。在 SO 中，询问了相同的查询，您可能以某种方式错过了它，请先检查它，here。

另外，请查看下面发布的相关问题

• TensorFlow Issue #26182
• TensorFlow Issue #45930
• TensorFlow Issue #38578

检查所有可能的解决方案后，问题仍然存在，然后用它更新您的查询。

我认为你的 Cuda 版本（CUDA、cuDNN）和tf 版本有一些不匹配，你应该先在你的工作环境中检查它们。此外，请确保正确更新 Cuda 路径。根据给出的错误信息，您需要确保以下设置正确。

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-11.0/lib64/