一、验证CUDA是否安装成功
为验证CUDA是否安装成功，可以执行以下步骤：
1、打开终端窗口，输入以下命令：
$ nvcc -V如果CUDA已成功安装，则将显示CUDA版本信息，如：
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2021 NVIDIA Corporation
Built on Thu_Jul_29_15:12:49_PDT_2021
Cuda compilation tools, release 11.4, V11.4.120
Build cuda_11.4.r11.4/compiler.30188945_02、输入以下命令：
$ nvidia-smi如果CUDA已成功安装，则将显示GPU卡的信息，如：
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 470.57.02 Driver Version: 470.57.02 CUDA Version: 11.4 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
|===============================+======================+======================|
| 0 GeForce GTX 108... Off | 00000000:01:00.0 On | N/A |
| 51% 60C P2 84W / 250W | 9436MiB / 11178MiB | 17% Default |
| | | N/A |
+-------------------------------+----------------------+----------------------+二、验证CUDA是否能够被Python识别
为验证CUDA是否能够被Python识别，可以执行以下步骤：
1、打开Python交互式环境，输入以下Python代码：
import torch
print(torch.cuda.is_available())如果CUDA已经被Python识别，则将显示True，如：
True三、验证CUDA是否能够被PyTorch识别
为验证CUDA是否能够被PyTorch识别，可以执行以下步骤：
1、打开Python交互式环境，输入以下Python代码：
import torch
print(torch.cuda.is_available())
x = torch.cuda.FloatTensor(1)
print(x.get_device())如果CUDA已经被PyTorch识别，则将显示True和GPU卡的编号，如：
True
0四、验证CUDA是否能够被TensorFlow识别
为验证CUDA是否能够被TensorFlow识别，可以执行以下步骤：
1、打开Python交互式环境，输入以下Python代码：
import tensorflow as tf
print(tf.test.is_gpu_available())
print(tf.config.list_physical_devices('GPU'))如果CUDA已经被TensorFlow识别，则将显示True和GPU的详细信息，如：
True
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]五、小结
通过以上几个方面的验证，可以充分确认CUDA是否已经安装成功，并且能够被各个深度学习框架识别和使用。
原创文章，作者：RALD，如若转载，请注明出处：https://www.506064.com/n/144300.html
微信扫一扫 
支付宝扫一扫 