run.sh

#!/bin/bash

WORKROOT=$(cd $(dirname $0); pwd)
cd $WORKROOT

#### gpu libs ####
# 添加cuda库的路径
export LD_LIBRARY_PATH=/home/work/cuda-10.0/lib64:$LD_LIBRARY_PATH
export LD_LIBRARY_PATH=/home/work/cuda-10.0/extras/CUPTI/lib64:$LD_LIBRARY_PATH
# 添加cudnn库的路径
export LD_LIBRARY_PATH=/home/work/cudnn/cudnn_v7.4/cuda/lib64:$LD_LIBRARY_PATH
# 添加NCCL库的路径。单卡训练时非必须
export LD_LIBRARY_PATH=/home/work/nccl/nccl2.4.2_cuda10.0/lib:$LD_LIBRARY_PATH

#### paddle ####
# 是否是分布式训练，0标识是分布式，1标识是单机
export PADDLE_IS_LOCAL=1
# 申请显存比例
export FLAGS_fraction_of_gpu_memory_to_use=1.0
# 选择要使用的GPU
export CUDA_VISIBLE_DEVICES=0
# CPU 核数
export CPU_NUM=1
# 表示是否使用垃圾回收策略来优化网络的内存使用，<0表示禁用，>=0表示启用
export FLAGS_eager_delete_tensor_gb=1.0
# 是否使用快速垃圾回收策略
export FLAGS_fast_eager_deletion_mode=1
# 垃圾回收策略释放变量的内存大小百分比，范围为[0.0, 1.0]
export FLAGS_memory_fraction_of_eager_deletion=1
# 如果为1，则会在allreduce_op_handle中调用cudaStreamSynchronize（nccl_stream），这种模式在某些情况下可以获得更好的性能
#export FLAGS_sync_nccl_allreduce=1

#### python ####
export PYTHONPATH=$WORKROOT:$PYTHONPATH
## python 3.6/3.7 is recomended
PYTHON_BIN=`which python3`

echo "running command: ($PYTHON_BIN $@)"
$PYTHON_BIN $@
exit $?