帮我编写一个测试推理的python脚本

当然可以，以下是一个简单的Python脚本，用于测试基础的逻辑推理。这个例子会定义几个函数，然后通过调用它们来进行一些简单的推理判断：

def is_even(number):
    """
    判断一个数是否为偶数
    """
    return number % 2 == 0

def is_prime(n):
    """
    判断一个数是否为质数
    """
    if n < 2:
        return False
    for i in range(2, int(n**0.5) + 1):
        if n % i == 0:
            return False
    return True

def test_inference():
    """
    测试推理功能
    """
    assert is_even(4), "4应该是个偶数"
    assert not is_even(5), "5不是偶数"

    # 推理一个数字是否既是偶数又是质数
    assert not (is_even(7) and is_prime(7)), "7既非偶数也非质数"

    print("所有测试通过")

if __name__ == "__main__":
    test_inference()

相关问题

帮我编写一个测试GPU 推理的python脚本

在Python中，我们可以使用PyTorch或TensorFlow等深度学习库来进行GPU推理的测试。这里是一个简单的例子，我们将演示如何使用PyTorch：

# 首先确保已经安装了torch和cuda相关的库
import torch
from torch import nn, cuda

# 检查是否支持CUDA
if not torch.cuda.is_available():
    print("当前系统不支持CUDA")
else:
    print("已检测到可用的CUDA设备")

# 定义一个简单的模型，假设这是一个卷积神经网络
class SimpleModel(nn.Module):
    def __init__(self):
        super(SimpleModel, self).__init__()
        self.conv = nn.Conv2d(1, 1, kernel_size=3)

    def forward(self, x):
        return self.conv(x)

# 创建模型并移至GPU
model = SimpleModel().to('cuda')

# 准备一个随机数据张量（假定输入是4D Tensor）
x = torch.randn((1, 1, 8, 8)).to('cuda')

# 执行前向传播
output = model(x)
print("Output on GPU:", output.shape)

# 计算时间（为了演示性能差异）
start_time = torch.cuda.Event(enable_timing=True)
end_time = torch.cuda.Event(enable_timing=True)
start_time.record()
output = model(x)
end_time.record()

# 等待事件计时结束
torch.cuda.synchronize()
time_taken = start_time.elapsed_time(end_time) / 1e3

print(f"GPU推理时间 (ms): {time_taken:.6f}")

帮我编写一个测试CPU和GPU推理对比的python脚本

在Python中，我们可以使用一些库如`tensorflow`, `pytorch`, 或者`cupy`来进行CPU和GPU性能的比较。这里是一个基本的示例，我们将使用TensorFlow来展示如何在CPU和GPU上运行简单的矩阵乘法：

import tensorflow as tf
import time

# 创建一个简单的矩阵
matrix = tf.random.uniform((5000, 5000), dtype=tf.float32)

def run_on_cpu():
    with tf.device('/cpu:0'):
        start_time = time.time()
        cpu_result = tf.matmul(matrix, matrix)
        print(f"CPU Time: {time.time() - start_time} seconds")

def run_on_gpu():
    if tf.config.list_physical_devices('GPU'):
        with tf.device('/gpu:0'):
            start_time = time.time()
            gpu_result = tf.matmul(matrix, matrix)
            print(f"GPU Time: {time.time() - start_time} seconds")
            # 如果有GPU，对比两者的速度
            print("Speedup (GPU/CPU):", (start_time - run_on_cpu().timestamp) / (time.time() - start_time))

run_on_cpu()
run_on_gpu()

#