如何检查Keras/TensorFlow训练模型时是否正在使用cuDNN？

嘿，我懂你这种之前在Theano里栽过cuDNN的坑，现在用TF/Keras没报错但还是想确认是不是真的用上的心情～给你几个实用的方法来验证：

当你开始训练时，TensorFlow会在控制台输出初始化日志，里面会明确标注cuDNN的加载状态。你可以留意包含cuDNN或GPU的日志行，比如类似这样的内容：

I tensorflow/core/common_runtime/gpu/gpu_device.cc:1862] Created device /job:localhost/replica:0/task:0/device:GPU:0 with 10983 MB memory:  -> device: 0, name: Tesla T4, pci bus id: 0000:00:04.0, compute capability: 7.5
I tensorflow/stream_executor/cuda/cuda_dnn.cc:377] Loaded cuDNN version 8600

看到Loaded cuDNN version XXXX就说明cuDNN已经成功加载并在使用了。如果没看到这类日志，可能是默认日志级别太高，你可以先把日志调到INFO级别再运行：

import tensorflow as tf
tf.get_logger().setLevel('INFO')

写几行简单的代码就能直接确认cuDNN的可用性和版本：

import tensorflow as tf

# 检查cuDNN是否内置支持
print("cuDNN是否可用:", tf.test.is_built_with_cudnn())

# 如果可用，打印当前cuDNN版本
if tf.test.is_built_with_cudnn():
    from tensorflow.python.platform import build_info
    print("当前cuDNN版本:", build_info.build_info['cudnn_version'])

运行后如果输出cuDNN是否可用: True，就说明你的TensorFlow确实在依赖cuDNN运行。

这是最接地气的验证方式：如果你训练中等规模卷积网络的速度比纯CPU快了好几倍（比如5-10倍甚至更多），那肯定是用上了GPU加速。而TensorFlow在GPU上运行卷积操作时，默认会优先使用cuDNN做优化（只要你安装的版本匹配），没有cuDNN的话GPU卷积性能会大打折扣，速度差距不会这么明显。

虽然现在训练没报错，但还是建议确认下你的CUDA、cuDNN和TensorFlow版本是否匹配，避免后续出现潜在问题。比如你可以用print(tf.__version__)查看TensorFlow版本，再对应官方的版本兼容表核对三者的版本是否适配。

内容的提问来源于stack exchange，提问作者hirschme