python验证cuda和cudnn是否安装成功

### 使用 Python 验证 CUDA 和 cuDNN 是否已正确安装在 Python 环境中，可以通过以下方式验证 CUDA 和 cuDNN 是否已正确安装并被识别。 #### 1. 检查 PyTorch 是否能够识别 CUDA 设备 PyTorch 提供了简便的接口来检查当前系统是否支持 CUDA，并且可以输出当前使用的 CUDA 版本： ```python import torch # 检查 CUDA 是否可用 print("CUDA available:", torch.cuda.is_available()) # 输出当前 CUDA 版本 print("CUDA version:", torch.version.cuda) # 输出当前设备名称 if torch.cuda.is_available(): print("Current device:", torch.cuda.get_device_name(0)) ``` 如果输出 `CUDA available: True`，则表示 PyTorch 已成功识别到 CUDA 环境。同时，会显示当前使用的 CUDA 版本和 GPU 设备型号[^1]。 #### 2. 检查 PyTorch 是否使用 cuDNN 加速 PyTorch 内部默认使用 cuDNN 进行深度学习运算加速。可以通过以下代码验证 cuDNN 是否被启用： ```python # 检查 cuDNN 是否启用 print("cuDNN enabled:", torch.backends.cudnn.enabled) # 输出 cuDNN 版本号（格式为整数） print("cuDNN version:", torch.backends.cudnn.version()) ``` 如果输出 `cuDNN enabled: True`，并且显示一个版本号（如 `7605` 表示 cuDNN 7.6.5），则表示 cuDNN 已被正确加载并用于加速计算[^1]。 #### 3. 执行简单的 GPU 计算任务以验证运行环境通过创建张量并在 GPU 上执行简单操作，可以进一步确认 CUDA 和 cuDNN 的运行状态： ```python # 创建一个随机张量并移动到 GPU 上 x = torch.randn(1000, 1000).cuda() y = torch.randn(1000, 1000).cuda() # 在 GPU 上执行矩阵乘法 result = torch.matmul(x, y) # 输出结果大小 print("Result shape:", result.shape) ``` 如果程序没有报错并成功输出张量形状，则表明 CUDA 和 cuDNN 均能正常参与 GPU 运算[^1]。 ---

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

下一篇 python vscode 中如何用鼠标滚轮调节调试控制台(debugConsole)的字体大小