TensorFlow使用GPU测试

首先，确保你的系统上安装了支持CUDA的GPU和相应的驱动程序，并且安装了TensorFlow 1.15或更高版本。
要检查是否安装了正确版本的TensorFlow，可以运行以下命令：

import tensorflow as tf
print(tf.__version__)

如果输出显示版本号为1.15或更高，则说明TensorFlow已正确安装。
接下来，我们需要检查系统上可用的GPU设备。运行以下代码可以列出所有可用的GPU设备：

gpus = tf.config.experimental.list_physical_devices('GPU')
print(gpus)

这将显示系统上所有可用的GPU设备。
要检查TensorFlow是否正确地识别了GPU设备，可以运行以下代码：

print(tf.test.is_gpu_available())

如果输出为True，则表示TensorFlow已正确识别GPU设备。
现在，我们可以使用TensorFlow在GPU上进行测试。以下是一个简单的示例，演示了如何创建一个简单的神经网络并在GPU上运行它：

import tensorflow as tf
# 创建一个简单的神经网络模型
model = tf.keras.Sequential([tf.keras.layers.Dense(10, activation='relu', input_shape=(784,)), tf.keras.layers.Dense(1)])
# 编译模型
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
# 生成模拟数据集
import numpy as np
x_train = np.random.rand(1000, 784)
y_train = np.random.randint(0, 2, size=(1000, 1))
# 在GPU上训练模型
model.fit(x_train, y_train, epochs=5, batch_size=32, verbose=1, validation_data=(x_train, y_train))

在这个示例中，我们首先创建了一个简单的神经网络模型，并使用tf.keras.layers定义了两个全连接层。然后，我们使用model.compile()方法对模型进行编译，并指定优化器、损失函数和度量标准。接下来，我们生成了一个模拟数据集，其中包含1000个样本和784个特征。最后，我们使用model.fit()方法在GPU上训练模型。
请注意，要确保在代码中正确指定了GPU设备。可以使用tf.device()函数来指定要在哪个设备上运行代码块。例如，以下代码将确保在第一个GPU设备上运行模型训练：

with tf.device('/device:GPU:0'):
model.fit(x_train, y_train, epochs=5, batch_size=32, verbose=1, validation_data=(x_train, y_train))

在这个示例中，我们使用tf.device('/device0')指定了第一个GPU设备。请根据你的系统配置修改设备名称。