win下持续观察nvidia-smi

简介：在Windows操作系统中，没有与Linux中watch命令直接对应的内置工具，但有1种方法快速简单的方法可以实现类似的效果，尤其是用于监控类似于nvidia-smi的命令输出。

历史攻略：

Python：查看windows下GPU的使用情况、利用率

watch：超实用Linux命令实战

Win10：安装CUDA、cuDNN环境

深度学习：win10安装TensorFlow

深度学习-tensorflow2：02 - 训练、验证MNIST数据集

PowerShell 脚本：在Windows的PowerShell中，你可以编写一个简单的循环脚本来定期执行命令并刷新输出。例如，要模拟watch -n 1 nvidia-smi的效果。

while ($true) { cls; nvidia-smi; Start-Sleep -Seconds 1 }

上面的命令执行了以下操作：

• while ($true) { … }：创建了一个无限循环。
• cls;：清除屏幕。
• nvidia-smi;：运行nvidia-smi命令以显示NVIDIA GPU的状态。
• Start-Sleep -Seconds 1：暂停执行1秒。

运行tf案例：

# -*- coding: utf-8 -*-
# time: 2024/01/02 11:07
# file: save.py
# 公众号: 玩转测试开发
import tensorflow as tf


class TestMnist(object):
    def __init__(self):
        mnist = tf.keras.datasets.mnist  # 将样本从整数转换为浮点数

        (self.x_train, self.y_train), (self.x_test, self.y_test) = mnist.load_data()
        self.x_train, self.x_test = self.x_train / 255.0, self.x_test / 255.0

        # 将模型的各层堆叠起来，以搭建 tf.keras.Sequential 模型。为训练选择优化器和损失函数
        self.model = tf.keras.models.Sequential([
            tf.keras.layers.Flatten(input_shape=(28, 28)),
            tf.keras.layers.Dense(128, activation='relu'),
            tf.keras.layers.Dropout(0.2),
            tf.keras.layers.Dense(10, activation='softmax')
        ])

    def train(self):
        self.model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
        self.model.fit(self.x_train, self.y_train, epochs=10)  # 训练并验证模型

    def test(self):
        self.model.evaluate(self.x_test, self.y_test, verbose=2)


if __name__ == '__main__':
    tm = TestMnist()
    tm.train()
    tm.test()

运行结果：

中断运行：按Ctrl+C来中断