Анализ ЦП, использования памяти и компонентов графического процессора для мониторинга вашего ПК и проектов глубокого обучения
Когда вы увлекаетесь программированием, вы пытаетесь вычислить, отладить и написать код для достижения желаемой задачи. Когда проект более сложный, есть несколько ситуаций, когда вы будете открывать несколько вкладок для исследования, несколько файлов Python для отладки кода и различные элементы данных для анализа. Но «Бум» — тут вдруг грохот.
Пока вы занимались кодированием различных проектов, вы забыли проверить используемые ресурсы, что может привести к потере несохраненных данных или к худшему. Использование ЦП и памяти являются важными частями компьютерной системы. Графические процессоры являются важными элементами для мониторинга проектов глубокого обучения.
В этой статье мы рассмотрим проект Python, который будет визуализировать и отображать все основные параметры, которые нам интересны для анализа. Мы будем использовать специальные инструменты, чтобы сделать этот процесс анализа более простым, поскольку такие ресурсы полезны для мониторинга системы, профилирования, ограничения ресурсов процесса и управления процессом.
Чтобы найти лучшие качества для сборки собственного ПК в пределах вашего бюджета, я бы порекомендовал ознакомиться с одним из моих предыдущих руководств по этой ссылке. Если вам интересно понять сложности и требования к графическому процессору для сборки вашего ПК, я бы посоветовал ознакомиться со статьей, представленной ниже, в которой содержится подробное руководство по изучению этой концепции.
Понимание необходимых требований к библиотеке:
В этом разделе мы поймем некоторые основные требования к библиотеке, которые потребуются для успешного завершения этого проекта. Большинство этих библиотек можно установить с помощью простой команды pip и не требуется никаких дополнительных действий. Давайте рассмотрим первые две установки, которые вам понадобятся для чтения и анализа компонентов ЦП, памяти и графического процессора.
pip install psutil pip install GPUtil
Если у вас возникли проблемы со второй командой во время установки, я бы рекомендовал вместо нее следующую команду pip install и перейти по этой ссылке GitHub от авторов для дальнейшего использования.
pip install gputil
С помощью этих простых установок библиотеки пользователи уже могут получить всю необходимую информацию, которая потребуется для этого проекта. Во-первых, давайте импортируем обе библиотеки, с помощью которых мы можем проверить, правильно ли они установлены и работают ли они должным образом. После того, как библиотеки импортированы, мы можем просмотреть скорость работы ЦП и использование памяти при использовании нашего ПК.
Тот же шаг можно выполнить для анализа производительности графического процессора, а также для отслеживания того, сколько памяти потребляет ваш графический процессор. Вы можете заметить, что в начале напечатанные значения довольно постоянны. Однако, когда вы перемещаете курсор или выполняете какие-то небольшие действия в своей системе, в напечатанных деталях появляется всплеск. Ниже приведен блок кода для тестирования следующего процесса.
# Importing the essential libraries import psutil import GPUtil # Testing the psutil library for both CPU and RAM performance details print(psutil.cpu_percent()) print(psutil.virtual_memory().percent) # Testing the GPUtil library for both GPU performance details GPUtil.showUtilization()
На следующем шаге мы рассмотрим некоторые визуализации, которые могут оказаться полезными для легкой разработки нашего проекта. Мы импортируем библиотеки numpy и matplotlib, с помощью которых мы можем создавать наши собственные случайные элементы данных и соответствующим образом отображать информацию. Ниже приведен фрагмент кода для тестирования и выполнения следующего действия.
# Importing the numpy and visualization library
import numpy as np
import matplotlib.pyplot as plt
# Plotting the axis
plt.axis([0, 10, 0, 1])
# Creating a random scatter plot
for i in range(10):
y = np.random.random()
plt.scatter(i, y)
plt.pause(0.05)
plt.show()
В приведенном выше фрагменте кода я дал представление о том, чего можно достичь с помощью методов визуализации. Если зрители еще больше заинтересованы в визуализации, которая является неотъемлемой частью науки о данных, я бы порекомендовал ознакомиться со следующей статьей, представленной ниже. Он охватывает восемь наиболее важных методов визуализации, которые необходимо учитывать для любого проекта, который вы планируете создать для анализа данных.
Разработка собственного трекера памяти с помощью Python:
Теперь, когда мы поняли все требования библиотеки и способы их эффективного использования, мы можем приступить к разработке нашего проекта. Наша цель — получить точечную диаграмму, как показано на изображении выше, с помощью которой мы можем соответственно постоянно отслеживать наши ресурсы. Когда он достигает своих более высоких пределов во время более требовательных приложений, таких как выполнение проектов глубокого обучения, игр, 3D-рендеринга или других подобных задач, мы можем знать, как справляться с такими ситуациями.
Для разработки проекта мы импортируем все рассмотренные ранее библиотеки в один файл Python. Как только мы завершим импорт этих библиотек, мы можем приступить к созданию бесконечного цикла for, который будет работать долгое время, пока ваш компьютер включен. В этом цикле мы получим процент использования ЦП, использование памяти и информацию о графическом процессоре. Ниже приведен полный блок кода для отображения информации обо всех основных деталях, которые мы планируем отслеживать для различных системных задач.
# Importing the required libraries
import psutil
import GPUtil
import numpy as np
import matplotlib.pyplot as plt
# Creating an almost infinite for loop to monitor the details continuously
for i in range(100000000):
# Obtaining all the essential details
cpu_usage = psutil.cpu_percent()
mem_usage = psutil.virtual_memory().percent
print(cpu_usage)
print(mem_usage)
# Creating the scatter plot
plt.scatter(i, cpu_usage, color = "red")
plt.scatter(i, mem_usage, color = "blue")
plt.legend(["CPU", "Memory"], loc ="lower right")
plt.pause(0.05)
# Obtaining the GPU details
GPUtil.showUtilization()
# Plotting the information
plt.show()
Я создал графики только для первых двух компонентов, так как не буду использовать свой графический процессор для своих текущих процедур. Пользователи могут свободно создавать свои собственные методологии и графики для графического процессора и других функций, если они сочтут это необходимым. После завершения программы лучший способ запустить ее — в командной строке (или терминале), открыв ее в рабочем каталоге и запустив файл Python. После запуска программы вы можете постоянно и последовательно отслеживать необходимую информацию.
Заключение:
"Воображение важнее знаний. Ибо знание ограничено, тогда как воображение охватывает весь мир, стимулируя прогресс, рождая эволюцию».
— Альберт Эйнштейн
При работе над многочисленными задачами и проектами с большим количеством файлов, папок и вкладок, открытых в вашей локальной системе, всегда полезно постоянно следить за потреблением ваших ресурсов, чтобы убедиться, что они не превышают своих пределов. Хотя эти проблемы редко встречаются в более дорогих системах или рабочих станциях, для большинства обычных пользователей ноутбуков и ПК можно считать обязательным подтвердить наилучшую полезность своих ресурсов.
В этой статье мы узнали о некоторых основных требованиях к библиотеке и о том, как их использовать для анализа потребления ЦП, использования памяти и статистики графического процессора. Мы также рассмотрели некоторые из основных концепций визуализации, чтобы соответствующим образом отобразить эти утилиты памяти. Наконец, мы объединили все эти элементы вместе, чтобы разработать наш трекер памяти с Python для мониторинга вашего ПК и проектов глубокого обучения.
Если вы хотите получать уведомления о моих статьях, как только они появляются, перейдите по следующей ссылке, чтобы подписаться на рекомендации по электронной почте. Если вы хотите поддержать других авторов и меня, подпишитесь на ссылку ниже.
Если у вас есть какие-либо вопросы, связанные с различными пунктами, изложенными в этой статье, не стесняйтесь, дайте мне знать в комментариях ниже. Я постараюсь вернуться к вам с ответом как можно скорее. Как и обещал в своей предыдущей статье, я постараюсь выпускать от трех до пяти статей в месяц!
Ознакомьтесь с некоторыми другими моими статьями по теме, затронутой в этой статье, которые, возможно, вам также понравится читать!
Всем спасибо, что дочитали до конца. Надеюсь, всем вам понравилось читать статью. Желаю всем прекрасного дня!
