这篇文章主要介绍了大数据中常用框架的测试方法有哪些，具有一定借鉴价值，感兴趣的朋友可以参考下，希望大家阅读完这篇文章之后大有收获，下面让小编带着大家一起了解一下。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 香港云主机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 Designcuda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）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。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.，表示测试成功感谢你能够认真阅读完这篇文章，希望小编分享的“大数据中常用框架的测试方法有哪些”这篇文章对大家有帮助，同时也希望大家多多支持开发云，关注开发云行业资讯频道，更多相关知识等着你来学习!
相关推荐: Docker部署tensorflow-gpu-jupyterlab的过程
这篇文章主要介绍“Docker部署tensorflow-gpu-jupyterlab的过程”，在日常操作中，相信很多人在Docker部署tensorflow-gpu-jupyterlab的过程问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对…
免责声明：本站发布的图片视频文字，以转载和分享为主，文章观点不代表本站立场，本站不承担相关法律责任；如果涉及侵权请联系邮箱：360163164@qq.com举报，并提供相关证据，经查实将立刻删除涉嫌侵权内容。
微信扫一扫 
