training_vae.job

#!/bin/bash
#SBATCH --job-name=g2g              # nom du job
#SBATCH --ntasks=1                  # nombre de tâche (un unique processus ici)
#SBATCH --gres=gpu:1                # nombre de GPU à réserver (un unique GPU ici)
#SBATCH --cpus-per-task=10          # nombre de coeurs à réserver (un quart du noeud)
# /!\ Attention, la ligne suivante est trompeuse mais dans le vocabulaire
# de Slurm "multithread" fait bien référence à l'hyperthreading.
#SBATCH --hint=nomultithread        # on réserve des coeurs physiques et non logiques
#SBATCH --time=24:00:00              # temps exécution maximum demande (HH:MM:SS)
#SBATCH --output=g2g%j.out          # nom du fichier de sortie
#SBATCH --error=g2g%j.out           # nom du fichier d'erreur (ici commun avec la sortie)
#SBATCH --qos=qos_gpu-t4
#SBATCH --partition=gpu_p2

# nettoyage des modules charges en interactif et hérités par défaut
module purge

# chargement des modules
module load anaconda-py3/2019.03 cuda/10.0 cudnn/7.6.5.32-cuda-10.1 fftw/3.3.8

# echo des commandes lancées
set -x

# exécution du code
cd $WORK/repo/galaxy2galaxy
~/.local/bin/g2g-trainer --problem=img2img_cosmos128 \
                         --data_dir=$WORK/g2g/datasets/img2img_cosmos128_nopadding \
                         --output_dir=$WORK/g2g/training/vae_16 \
                         --model=continuous_autoencoder_residual_vae \
                         --hparams_set=continuous_autoencoder_residual_128 \
                         --hparams=batch_size=64,bottleneck_bits=16,hidden_size=16,likelihood_type=Pixel,total_variation_loss=0.01,bottleneck_warmup_steps=1000 \
			 --train_steps=125000