『AI实践学』测试深度学习框架GPU版本是否正确安装方法:TensorFlow，PyTorch，MXNet，PaddlePaddle

　　0.引子

　　在深度学习框架GPU版本安装成功后，需要测试一下是否成功安装。GPU版本不像CPU版本的简单，CPU版本测试一般只需import一下测试是否能正确导入即可。GPU版本还需要测试CUDA或者GPU模块是否能正确调用起来。

　　下面将介绍笔者常用框架的测试方法，包括TensorFlow，PyTorch，MXNet，PaddlePaddle。如果小伙伴有其他框架测试需求或者经验，欢迎在评论区指出。必要的时候，笔者会及时更新一下的。

　　1.方法

　　1.0：TensorFlow

　　TensorFlow1.x与TensorFlow2.x测试方法是一样的，代码如下：

　　上述代码保存为.py文件，使用需要测试环境即可运行，输出：上面是一下log信息，关键的是的最后True，表示测试成功

　　上面是一下log信息，关键的是的最后True，表示测试成功。其实我们还可以发现很多GPU信息

　　GPU型号：name: GeForce RTX 2070 with Max-Q Design

　　cuda版本：Successfully opened dynamic library cudart64_100.dll（10.0）

　　cudnn版本：Successfully opened dynamic library cudnn64_7.dll（7.x）

　　GPU数目：Adding visible gpu devices: 0（1）

　　GPU显存：/device:GPU:0 with 6306 MB memory（8G）

　　1.1：PyTorch

　　PyTorch与TensorFlow测试方法类似，都有GPU测试接口。PyTorch的GPU测试代码如下：

　　上述代码保存为.py文件，使用需要测试环境即可运行，输出：True，表示测试成功

　　可以看出PyTorch输出信息简洁很多。其实TensorFlow的log信息输出也是可以控制的。

　　1.2：MXNet

　　MXNet与PyTorch，TensorFlow测试方法不同，由于MXNet'没有GPU测试接口（或者说笔者没有找到）。所以MXNet的GPU测试代码采用try-catch捕捉异常的方法来测试，代码如下：

　　上述代码保存为.py文件，使用需要测试环境即可运行，输出：True，表示测试成功

　　1.3：PaddlePaddle

　　PaddlePaddle与TensorFlow测试方法类似，都有GPU测试接口。PyTorch的GPU测试代码如下：

　　上述代码保存为.py文件，使用需要测试环境即可运行，输出：Your Paddle Fluid works well on MUTIPLE GPU or CPU.，表示测试成功

　　-1.参考

　　-1.0：https://www.paddlepaddle.org.cn/install/quick#show_info