0x00 问题描述
安装完成PyTorch、CUDA后,验证PyTorch是否能够通过CUDA高占用GPU(占用>95%),特地使用以下代码测试。
0x01 代码设计
这个代码会持续执行神经网络的训练任务,每次循环都进行前向传播、反向传播和参数更新,以保持高强度的GPU占用。
## CUDA - GPU 占用测试
## 正确运行结果为:GPU占用显著提高(>95,NVIDIA 3060 LAPTOP)
import torch
import torch.nn as nn
import torch.optim as optim
# 检查CUDA是否可用
if torch.cuda.is_available():
device = torch.device("cuda")
print("CUDA is available. Using GPU.")
else:
raise Exception("CUDA is not available. Please ensure you have a GPU.")
# 创建一个简单的神经网络
class SimpleNet(nn.Module):
def __init__(self):
super(SimpleNet, self).__init__()
self.fc1 = nn.Linear(10000, 10000) # 大规模线性层,可以根据需要调整大小
def forward(self, x):
x = self.fc1(x)
return x
net = SimpleNet().to(device)
# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.SGD(net.parameters(), lr=0.01)
# 创建一个大型随机输入张量
batch_size = 32
input_data = torch.randn(batch_size, 10000, device=device)
# 持续执行神经网络训练任务以保持高占用率
try:
while True:
# 正向传播
output = net(input_data)
loss = criterion(output, input_data)
# 反向传播和优化
optimizer.zero_grad()
loss.backward()
optimizer.step()
except KeyboardInterrupt:
print("Stopped by user.")
# 释放GPU资源
net = None
torch.cuda.empty_cache()
0x02 实验结果
笔者使用的3060 Laptop GPU 占用在95%以上,代码效果显著,说明PyTorch、CUDA环境安装成功。文章来源:https://www.toymoban.com/news/detail-726689.html
文章来源地址https://www.toymoban.com/news/detail-726689.html
0x03 后记
- No Pains, No Gains.
到了这里,关于PyTorch CUDA GPU高占用测试的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!