Idiomatic multi-gpu usage
Personne n'a encore pris cette issue.
Évaluation
- Difficulté
- 4/5
- Temps estimé
- 3-5 jours
- Accessibilité débutants
- 25/100
- Type d'issue
- Bug
- Clarté
- À clarifier
- Activité
- À l'abandon
- Stack technique
- python, pytorch
- Domaine
- computer-vision, machine-learning
Piste de recherche
L’issue ne mentionne aucun fichier ni test du dépôt. Commencez par reproduire le snippet multi-GPU montré avec PyTorch, CuPy et nvImageCodec, puis examinez comment Encoder sélectionne un périphérique. Le travail est terminé lorsqu’il existe un chemin d’utilisation documenté et fonctionnel qui maintient les tenseurs sur le GPU prévu et évite le core dump signalé.
Rédigé par le modèle d'indexation à partir du texte de l'issue.
Description
Describe the question.
I'm trying to utilize this library in multi-gpu torch settings and so far I'm getting no luck with frequent core dumped error, that doesn't tell me much.
my current approach is this (LLM generated):
dev_idx = _torch.cuda.current_device() if _torch.cuda.is_available() else 0
with cp.cuda.Device(dev_idx):
encoder = nvimgcodec.Encoder()
output_path = frame_dir / f"{to_stem(name)}.tiff"
gpu_arr = cp.asarray(result.cpu())
encoder.write(str(output_path), gpu_arr)
# Release GPU memory retained by CuPy's pool to avoid OOM across concurrent saves
try:
cp.get_default_memory_pool().free_all_blocks()
except Exception:
pass
from nvidia-smi I see that most of the memory is being allocated on GPU 0 and it feels like nvImageEncoder is not explicitly aware of what GPU it is expected to run on. Can you provide example on how to utilize it and keep tensors on GPU?
Check for duplicates
- I have searched the open bugs/issues and have found no duplicates for this bug report
- Langage dominant
- Jupyter Notebook
- Étoiles
- 164
- Forks
- 26
- Merge moyen
- 27 min
- PR mergées (30 j)
- 1
Préparer son environnement
- Aucun Dockerfile ni fichier Docker Compose
- Aucun modèle de pull request
- Lire le guide de contribution
Par où commencer
- Lisez l'issue en entier, puis le guide de contribution du projet.
- Signalez en commentaire que vous la prenez — cela évite que deux personnes fassent le même travail.
- Forkez le dépôt et travaillez sur une branche.
- Ouvrez une pull request qui référence le numéro de l'issue.
Autres issues de NVIDIA/nvImageCodec
-
Difficulté 2/5 1-3 heures Accessibilité débutants 79/100
NVIDIA/nvImageCodec#65 · 1 commentaire ·
-
Difficulté 3/5 1-2 jours Accessibilité débutants 72/100
NVIDIA/nvImageCodec#66 · 1 commentaire ·
-
Difficulté 5/5 Plus d'une semaine Accessibilité débutants 38/100
NVIDIA/nvImageCodec#64 ·
-
nvjpeg2k error 3 (Bad jpeg) on valid JPEG 2000 aerial photos that OpenJPEG and ffmpeg decode identicallyPeut-être pris @mkepa-nv l’a pris il y a 6 jours. Ouvertebug
NVIDIA/nvImageCodec#63 · 2 commentaires · 1 personne assignée ·
-
Difficulté 5/5 Plus d'une semaine Accessibilité débutants 8/100
NVIDIA/nvImageCodec#60 ·
Toutes les issues de NVIDIA/nvImageCodec
Issues similaires
-
Difficulté 2/5 1-3 heures Accessibilité débutants 78/100
Stirling-Tools/Stirling-PDF#8875 · 1 réaction ·
Les mainteneurs répondent en général sous 2 jours
-
Difficulté 2/5 1-3 heures Accessibilité débutants 82/100
Les mainteneurs répondent en général sous 1 jour
-
COCO crowd annotations (iscrowd=1) are counted as ground truth, lowering detection recall and APOuverte
Difficulté 2/5 1-3 heures Accessibilité débutants 75/100
JdeRobot/PerceptionMetrics#681 ·
Les mainteneurs répondent en général sous 1 jour
-
bug
Difficulté 2/5 1-3 heures Accessibilité débutants 78/100
opencv/opencv#30744 · 1 commentaire ·
Les mainteneurs répondent en général sous 1 jour
-
Difficulté 2/5 Moins d'une heure Accessibilité débutants 85/100
Les mainteneurs répondent en général sous 2 jours