[AI-RESEARCH][02]Tensor Flow GPU運行環境測試

5月 01, 2020

[AI-RESEARCH][02]Tensor Flow GPU運行環境測試

以下是Tensor Flow GPU運行環境測試碼
把該程式碼張貼到spyder運行即可

運行環境：
系統：windows 10 1903
CPU：7900X
GPU：2080 Ti
RAM：64GB
SSD：MX500 1TB

CUDA：cuda_10.0.130_411.31_win10
cuDNN：cudnn-forCUDA10.0-windows10-x64-v7.3.1.20

import tensorflow as tf
import time
import matplotlib.pyplot as plt

def performanceTest(device_name,size):
    with tf.device(device_name):
        W = tf.random.normal([size, size], name='W')
        X = tf.random.normal([size, size], name='X')
        mul = tf.matmul(W, X, name='mul')
        sum_result = tf.reduce_sum(mul, name='sum')
  
    startTime = time.time()
    tfconfig = tf.ConfigProto(log_device_placement=True)
    with tf.Session(config=tfconfig) as sess:
        result = sess.run(sum_result)
      
    takeTimes = time.time() - startTime
    print(device_name, "matrix size：",size,"x",size, " time:",takeTimes)
    return takeTimes



gpu_set = [];cpu_set = [];i_set = []
for i in range(0, 10000, 500):
    g = performanceTest("/gpu:0",i)
    c = performanceTest("/cpu:0",i)
    gpu_set.append(g)
    cpu_set.append(c)
    i_set.append(i)
  
#%matplotlib inline


fig = plt.gcf()
fig.set_size_inches(6,4)
plt.plot(i_set, gpu_set, label='gpu')
plt.plot(i_set, cpu_set, label='cpu')
plt.title('CPU&GPU time-consuming')
plt.ylabel('Time')
plt.xlabel('matrix size')
plt.legend()

運行結果如下
這個程式碼主要在進行矩陣運算
我們發現隨著矩陣的大小增大，
所需的運行時間會增大

可以發現ＣＰＵ時間增加的比例遠比ＧＰＵ來得高
在這邊就可以體現ＧＰＵ多核心運行的優勢所在