GPU相关

Linux查看CUDA和cuDNN版本

# 查看CUDA版本
nvcc -version
nvcc -V
cat /usr/local/cuda/version.txt
# 查看cuDNN版本
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

使用 PyTorch 查看 CUDA 和 cuDNN 版本

import torch
print(torch.__version__)
print(torch.version.cuda)
print(torch.backends.cudnn.version())

nvidia驱动和cuda版本依赖

https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html
CUDA Toolkit and Corresponding Driver Versions

Tensorflow、Cuda、CuDNN版本依赖

GPU：https://tensorflow.google.cn/install/source#tensorflow_2x

测试GPU可用行的demo
tensorflow 1.x

#######################################  1.x
from tensorflow.python.client import device_lib
import tensorflow as tf
#检测tensorflow的能使用设备情况:
# print(device_lib.list_local_devices())
#判断CUDA是否可用，如不能用，需要在安装cuda时配置cuda相关环境变量
print(tf.test.is_built_with_cuda())
#判断GPU是否可用：
tf.test.is_gpu_available(
    cuda_only=False,
    min_cuda_compute_capability=None
)
# 指定gpu设备分别测试，如机器总共有4块gpu，分别为0,1,2,3
# import os
# os.environ["CUDA_VISIBLE_DEVICES"] = "1"
# 执行简单运算，查看gpu报错
import tensorflow as tf
a = tf.constant([1.0, 2.0, 3.0], shape=[3], name='a')
b = tf.constant([1.0, 2.0, 3.0], shape=[3], name='b')
c = a + b
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
print(sess.run(c))

tensorflow 2.x

#######################################  2.x
# 判断GPU是否可用
tf.config.list_physical_devices('GPU')
## out: [PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
# 简单的计算 y = wx ,其中 w=2.0, x=5 计算 y  
import tensorflow as tf  
w = tf.Variable(2.0, dtype=tf.float32)  
x = tf.Variable(5.0, dtype=tf.float32)  
wx = tf.multiply(w,x)  # 乘法  
print('Out y tensor：%s'%(wx))  
print('Out y numpy value：{yV}'.format(yV=wx.numpy()))  
#Out y tensor：tf.Tensor(10.0, shape=(), dtype=float32)
#Out y numpy value：10.0