深度学习入门——测试PyTorch和Tensorflow能正常使用GPU

1、测试PyTorch能正常使用GPU:

import torch
torch.cuda.is_available()

返回结果:

True

2、测试Tensorflow能正常使用GPU:

示例一:

tf.test.is_gpu_available()

返回结果:

True

示例二:

gpu_device_name = tf.test.gpu_device_name()
print(gpu_device_name)

返回结果:

/device:GPU:0

示例三:

import tensorflow as tf
with tf.device(‘/cpu:0‘):
    a = tf.constant([1,2,3],shape=[3],name=‘a‘)
    b = tf.constant([1,2,3],shape=[3],name=‘b‘)
with tf.device(‘/gpu:0‘):
    c = a + b
    print(c)

返回结果:

tf.Tensor([2 4 6], shape=(3,), dtype=int32)

示例四:

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
def performanceTest(device_name,size):
    with tf.device(device_name): #选择具体的哪一个设备
        W = tf.random_normal([size, size],name=‘W‘) #以随机产生数值的方式建立W矩阵
        X = tf.random_normal([size, size],name=‘X‘) #以随机产生数值的方式建立X矩阵
        mul = tf.matmul(W, X,name=‘mul‘)
        sum_result = tf.reduce_sum(mul,name=‘sum‘) #将mul矩阵里面的值加总

    startTime = time.time() #记录开始运行的时间
    tfconfig=tf.ConfigProto(log_device_placement=True) #代表显示设备的相关信息
    with tf.Session(config=tfconfig) as sess:
        result = sess.run(sum_result)
    takeTimes=time.time()  - startTime
    print(device_name," size=",size,"Time:",takeTimes )
    return takeTimes #返回运行时间

g=performanceTest("/gpu:0",10000)
c=performanceTest("/cpu:0",10000)

返回结果:

Device mapping:
/job:localhost/replica:0/task:0/device:XLA_CPU:0 -> device: XLA_CPU device
/job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: GeForce RTX 2070 SUPER, pci bus id: 0000:01:00.0, compute capability: 7.5
/job:localhost/replica:0/task:0/device:XLA_GPU:0 -> device: XLA_GPU device

/gpu:0  size= 10000 Time: 0.3135712146759033
Device mapping:
/job:localhost/replica:0/task:0/device:XLA_CPU:0 -> device: XLA_CPU device
/job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: GeForce RTX 2070 SUPER, pci bus id: 0000:01:00.0, compute capability: 7.5
/job:localhost/replica:0/task:0/device:XLA_GPU:0 -> device: XLA_GPU device

/cpu:0  size= 10000 Time: 5.693259954452515

参考:

https://blog.csdn.net/weixin_41770169/article/details/91437100

https://blog.csdn.net/william_hehe/article/details/79615894

https://www.runoob.com/python/python-date-time.html

https://blog.csdn.net/weixin_41503009/article/details/86930657

https://clatterrr.com/archives/2362

https://blog.csdn.net/weixin_38410551/article/details/103631977

原文地址:https://www.cnblogs.com/ratels/p/12397381.html

时间: 2024-08-29 20:25:21

深度学习入门——测试PyTorch和Tensorflow能正常使用GPU的相关文章

分享《深度学习入门之PyTorch》+廖星宇

下载:https://pan.baidu.com/s/1vMPoucCYDeBPaiubjurlKg 更多资料下载:https://pan.baidu.com/s/1lMO23nnrIag8Glvy2Be0Iw 更多资料分享:http://blog.51cto.com/14087171 版权说明:本人无版权,请您在体验电子版书籍的同时,支持正版,支持正版,购买正版书籍!!! 版权说明:本人无版权,请您在体验电子版书籍的同时,支持正版,支持正版,购买正版书籍!!! 首页如图 原文地址:http:/

深度学习框架哪家强:TensorFlow?Caffe?MXNet?Keras?PyTorch?

深度学习框架哪家强:TensorFlow?Caffe?MXNet?Keras?PyTorch?对于这几大框架在运行各项深度任务时的性能差异如何,各位读者不免会有所好奇. 微软数据科学家Ilia Karmanov最新测试的结果显示,亚马逊MXNet在CNN.RNN与NLP情感分析任务上性能强劲,而TensorFlow仅擅长于特征提取. 测试详情更新在Ilia Karmanov的GitHub项目DeepLearningFrameworks(https://github.com/ilkarman/De

机器学习和深度学习入门总结

本菜鸟入门机器学习也有一段时间了,有那么一丢丢的感悟,在这里做一点总结.介绍一下机器学习理论和实践的学习心得. 相关教材 数学基础 高数.线性代数这就没啥好说的,就是大学工科的必修科目. 统计机器学习 李航的蓝皮书和周志华的西瓜书可以说是国内的比较经典的教材,这两位也是国内人工智能领域的领军人物. 深度学习 强烈推荐花书,这可以说是深度学习方面的权威教材.除此以外还有吴恩达的讲义和教学视频,网上都可以找到. 小白入门教材 前面推荐的书籍,虽然算得上入门教材,但可能对于小白来说,不是很容易接受.这

对比学习资料《深度学习入门:基于Python的理论与实现》+《深度学习原理与实践》+《深度学习理论与实战基础篇》电子资料

我认为<深度学习入门:基于Python的理论与实现>电子书代码基本原理,简洁清楚,所用数学基本就是大一水平,适合做第一本入门书. <深度学习入门:基于Python的理论与实现>书代码实现的神经网络全是用numpy,超级适合刚刚入门想了解神经网络,数学不好看公式看不懂的人,看完这本基本就懂深度学习是弄啥子了. 如果连这本都看不懂的话,可以去看<Python神经网络编程>.我个人认为这两本书是最简单直白的方式让人理解神经网络的了. <深度学习原理与实践>电子书代

对比深度学习十大框架:TensorFlow 并非最好?

http://www.oschina.net/news/80593/deep-learning-frameworks-a-review-before-finishing-2016 TensorFlow 链接:https://www.tensorflow.org/ 对于那些听说过深度学习但还没有太过专门深入的人来说,TensorFlow 是他们最喜欢的深度学习框架,但在这里我要澄清一些事实. 在 TensorFlow 的官网上,它被定义为「一个用于机器智能的开源软件库」,但我觉得应该这么定义:Te

给深度学习入门者的Python快速教程

基础篇 numpy和Matplotlib篇 本篇部分代码的下载地址: https://github.com/frombeijingwithlove/dlcv_for_beginners/tree/master/chap5 5.3 Python的科学计算包 – Numpy numpy(Numerical Python extensions)是一个第三方的Python包,用于科学计算.这个库的前身是1995年就开始开发的一个用于数组运算的库.经过了长时间的发展,基本上成了绝大部分Python科学计算

《深度学习入门基于Python的理论与实现》PDF代码学习指导

入门神经网络深度学习,推荐学习<深度学习入门:基于Python的理论与实现>,这本书不来虚的,一上来就是手把手教你一步步搭建出一个神经网络,还能把每一步的出处讲明白.理解神经网络,很容易就能入门. 深度学习真正意义上的入门书,深入浅出地剖析了深度学习的原理和相关技术.书中使用Python3,尽量不依赖外部库或工具,从基本的数学知识出发,带领读者从零创建一个经典的深度学习网络,使读者在此过程中逐步理解深度学习. <深度学习入门:基于Python的理论与实现>中文版PDF,314页,带

分享《深度学习入门:基于Python的理论与实现 》中文版PDF和源代码

下载:(https://pan.baidu.com/s/1agBctMG7HF45VwhYpQHDSQ) <深度学习入门:基于Python的理论与实现>高清中文版PDF+源代码 高清中文版PDF,314页,带目录标签,可复制粘贴,高清晰.配套源代码. 深度学习真正意义上的入门书,深入浅出地剖析了深度学习的原理和相关技术.书中使用Python3,尽量不依赖外部库或工具,从基本的数学知识出发,带领读者从零创建一个经典的深度学习网络,使读者在此过程中逐步理解深度学习. 其中,高清中文版如图: 如图:

分享《深度学习入门:基于Python的理论与实现》+PDF+源码+斋藤康毅+陆宇杰

下载:https://pan.baidu.com/s/1FYcvG1tB__ooitilMpJC7w 更多资料分享:http://blog.51cto.com/14087171 <深度学习入门:基于Python的理论与实现>高清中文版PDF+源代码 高清中文版PDF,314页,带目录标签,可复制粘贴,高清晰.配套源代码. 深度学习真正意义上的入门书,深入浅出地剖析了深度学习的原理和相关技术.书中使用Python3,尽量不依赖外部库或工具,从基本的数学知识出发,带领读者从零创建一个经典的深度学习