performance-monitoring - 超腾开源标签

本文基于实际在Kaggle平台Jupyter Notebook上运行的探针程序，详细记录了免费GPU主机的完整硬件配置和性能数据。测试环境搭载AMD EPYC 7B12处理器、T4双显卡和P100 GPU，配备31GB内存和8TB磁盘空间。在7小时54分钟的连续运行中，系统保持稳定，CPU使用率0%，内存使用仅2.51%，磁盘使用率81.40%。这些实测数据为开发者充分利用Kaggle免费计算资源提供了可靠的技术参考和优化建议。

在Windows上使用PyTorch训练模型时，任务管理器显示的GPU占用率较低是正常现象，因为PyTorch主要使用CUDA核心，而未调用3D、视频解码等功能。建议使用nvidia-smi dmon命令查看真实的GPU利用率，重点观察sm（流处理器利用率）和mem（显存带宽利用率）两项指标。若GPU占用率确实偏低，可通过在DataLoader中设置num_workers和pin_memory参数来提升。注意Windows下需将训练函数放在if __name__ == "__main__"中，且num_workers不宜过大，建议从2开始逐步增加，确保nvidia-smi中GPU利用率达到90%以上，同时调整batch_size使显存占用率也在90%左右。