CN111400131A - Ai服务器的性能检测方法、系统、电子设备及存储介质 - Google Patents
Ai服务器的性能检测方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111400131A CN111400131A CN202010152734.7A CN202010152734A CN111400131A CN 111400131 A CN111400131 A CN 111400131A CN 202010152734 A CN202010152734 A CN 202010152734A CN 111400131 A CN111400131 A CN 111400131A
- Authority
- CN
- China
- Prior art keywords
- test
- server
- target
- file
- container
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 60
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 153
- 238000011056 performance test Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000008676 import Effects 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000013473 artificial intelligence Methods 0.000 description 186
- 230000008569 process Effects 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 102100030148 Integrator complex subunit 8 Human genes 0.000 description 1
- 101710092891 Integrator complex subunit 8 Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请公开了一种AI服务器的性能检测方法，所述AI服务器的性能检测方法包括将容器离线部署包和AI镜像文件导入AI服务器；其中，所述AI镜像文件包括目标AI镜像和用于进行性能测试的测试文件；通过加载所述容器离线部署包在所述AI服务器中创建目标容器；加载所述AI镜像文件，并在所述目标容器中对所述目标AI镜像执行所述测试文件对应的测试操作，得到所述AI服务器的性能检测结果。本申请能够实现AI服务器的自动化性能测试。本申请还公开了一种AI服务器的性能检测系统、一种电子设备及一种存储介质，具有以上有益效果。
Description
技术领域
本申请涉及服务器测试技术领域，特别涉及一种AI服务器的性能检测方法、AI服务器的性能检测系统、一种电子设备及一种存储介质。
背景技术
随着大数据、云计算、人工智能等技术的成熟与在各行各业的应用，在人工智能时代，AI(Artificial Intelligence，人工智能)服务器已经广泛的应用于各个行业。
相关技术中，AI服务器在出厂后直接供给客户，然后由客户进行AI性能的测试，AI服务器在产线上没有进行AI性能测试，缺少可行的自动化测试方案。
因此，如何实现AI服务器的自动化性能测试是本领域技术人员目前需要解决的技术问题。
发明内容
本申请的目的是提供一种AI服务器的性能检测方法、一种AI服务器的性能检测系统、一种电子设备及一种存储介质，能够实现AI服务器的自动化性能测试。
为解决上述技术问题，本申请提供一种AI服务器的性能检测方法，该性能检测方法包括：
将容器离线部署包和AI镜像文件导入AI服务器；其中，所述AI镜像文件包括目标AI镜像和用于进行性能测试的测试文件；
通过加载所述容器离线部署包在所述AI服务器中创建目标容器；
加载所述AI镜像文件，并在所述目标容器中对所述目标AI镜像执行所述测试文件对应的测试操作，得到所述AI服务器的性能检测结果。
可选的，所述测试文件包括用于测试AI服务器训练性能的第一测试子文件和用于测试AI服务器推理性能的第二测试子文件。
可选的，在所述目标容器中对所述目标AI镜像执行所述测试文件对应的测试操作，包括：
获取所述AI服务器的图像处理器型号，并从所述测试文件中选取与所述图像处理器型号对应的目标测试子文件；
在所述目标容器中对所述目标AI镜像执行所述目标测试子文件对应的测试操作。
可选的，从所述测试文件中选取与所述图像处理器型号对应的目标测试子文件，包括：
若所述图像处理器型号为Tesla V100，则将所述第一测试子文件作为所述目标测试子文件；
若所述图像处理器型号为Tesla T4，则将所述第二测试子文件作为所述目标测试子文件。
可选的，还包括：
将所述AI服务器的本地磁盘挂载至所述目标容器，以便将所述目标容器的测试日志文件保存至所述本地磁盘。
可选的，所述容器离线部署包为docker离线部署包或nvidia-docker离线部署包。
可选的，所述性能检测结果包括所述AI服务器中所有图像处理器在预设时间段内处理的图片数量；
相应的，在得到所述AI服务器的性能检测结果之后，还包括：
根据所述性能检测结果和所述AI服务器包括的图像处理器数量计算每一所述图像处理器的平均图片处理量；
判断所述平均图片处理量是否大于预设值；
若是，则判定所述AI服务器的性能检测结果合格；
若否，则判定所述AI服务器的性能检测结果不合格。
本申请还提供了一种AI服务器的性能检测系统，该系统包括：
文件导入模块，用于将容器离线部署包和AI镜像文件导入AI服务器；其中，所述AI镜像文件包括目标AI镜像和用于进行性能测试的测试文件；
容器创建模块，用于通过加载所述容器离线部署包在所述AI服务器中创建目标容器；
性能检测模块，用于加载所述AI镜像文件，并在所述目标容器中对所述目标AI镜像执行所述测试文件对应的测试操作，得到所述AI服务器的性能检测结果。
本申请还提供了一种存储介质，其上存储有计算机程序，所述计算机程序执行时实现上述AI服务器的性能检测方法执行的步骤。
本申请还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现上述AI服务器的性能检测方法执行的步骤。
本申请提供了一种AI服务器的性能检测方法，包括将容器离线部署包和AI镜像文件导入AI服务器；其中，所述AI镜像文件包括目标AI镜像和用于进行性能测试的测试文件；通过加载所述容器离线部署包在所述AI服务器中创建目标容器；加载所述AI镜像文件，并在所述目标容器中对所述目标AI镜像执行所述测试文件对应的测试操作，得到所述AI服务器的性能检测结果。
本申请首先将容器离线部署包和AI镜像文件导入AI服务器，通过加载容器离线部署包在AI服务器中创建目标容器。由于AI镜像文件中包括测试文件和目标AI镜像，因此在加载AI镜像文件之后本申请可以在目标容器中对目标AI镜像执行测试文件对应的测试操作，进而得到AI服务器的性能检测结果。上述过程无需人工参与，能够实现AI服务器的自动化性能测试。本申请同时还提供了一种AI服务器的性能检测系统、一种存储介质和一种电子设备，具有上述有益效果，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例所提供的一种AI服务器的性能检测方法的流程图；
图2为本申请实施例所提供的一种AI服务器的性能检测系统的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
下面请参见图1，图1为本申请实施例所提供的一种AI服务器的性能检测方法的流程图。
具体步骤可以包括：
S101：将容器离线部署包和AI镜像文件导入AI服务器；
其中，本实施例可以应用于AI服务器的产线中，预先将AI镜像文件和容器离线部署包导入至AI服务器中。具体的，本步骤中提到的AI镜像文件可以包括用于进行性能测试的测试文件和目标AI镜像。测试文件包括可以多种基准测试程序。其中，本实施例可以将AI模型构建为目标AI镜像，该AI模型可以为训练后的人工智能模型。基准测试程序为用于对AI服务器进行性能检测的程序，具体的，本实施例可以通过运行测试文件对AI服务器的训练性能进行检测，也可以对AI服务器的推理性能进行检测。容器离线部署包为用于离线部署容器的文件，通过加载容器离线部署包可以在AI服务器中创建相应的容器。
可以理解的是，本步骤不限定容器离线部署包和AI镜像文件导入AI服务器的先后顺序，本实施例还可以同时将容器离线部署包和AI镜像文件导入AI服务器。
S102：通过加载所述容器离线部署包在所述AI服务器中创建目标容器；
其中，在本步骤之前可以存在接收容器部署指令的操作，进而在接收到容器部署指令后加载预先导入AI服务器的容器离线部署包。可以理解的是，某一种容器都可以有其对应的容器离线部署包，因此若本实施例中的容器离线部署包为docker离线部署包，则在AI服务器中创建docker容器；若本实施例中的容器离线部署包为nvidia-docker离线部署包，则在AI服务器中创建nvidia-docker容器。
作为一种可行的实施方式，本实施例还可以将所述AI服务器的本地磁盘挂载至创建的目标容器，进而可以将所述目标容器的测试日志文件保存至所述本地磁盘，可以避免目标容器被销毁后日志文件丢失的问题。
S103：加载所述AI镜像文件，并在所述目标容器中对所述目标AI镜像执行所述测试文件对应的测试操作，得到所述AI服务器的性能检测结果。
其中，本步骤通过加载AI镜像文件使得目标AI镜像安装至AI服务器中，加载AI镜像文件之后的AI服务器可以对输入的待检测样本进行分类或评分。例如，若AI镜像文件为用于图像分类的AI镜像文件时，加载AI镜像文件之后的AI服务器具备图像分类能力。
AI镜像文件中包括目标AI镜像和测试文件，在加载目标AI镜像之后，本步骤执行基准测试程序对应的测试操作，进而根据得到AI服务器的性能检测结果。本步骤中执行所述测试文件对应的测试操作，相当于对所述目标AI镜像执行测试文件所包括的基准测试程序，即：在加载好目标AI镜像后在AI服务器中运行测试文件得到AI服务器的性能状态，进而生成相应的性能检测结果。
本实施例首先将容器离线部署包和AI镜像文件导入AI服务器，通过加载容器离线部署包在AI服务器中创建目标容器。由于AI镜像文件中包括测试文件和目标AI镜像，因此在加载AI镜像文件之后本实施例可以在目标容器中对目标AI镜像执行测试文件对应的测试操作，进而得到AI服务器的性能监测结果。上述过程无需人工参与，能够实现AI服务器的自动化性能测试。
作为对于图1对应实施例的进一步补充，测试文件包括用于测试AI服务器训练性能的第一测试子文件和用于测试AI服务器推理性能的第二测试子文件。即测试文件中包括的基准测试程序可以包括AI训练测试程序和AI推理测试程序，AI训练测试程序用于测试AI服务器的训练性能，AI推理测试程序用于测试AI服务器的推理性能。
作为一种可行的实施方式，图1对应的实施例中执行测试文件对应的测试操作可以包括以下过程：获取所述AI服务器的图像处理器型号，并从所述测试文件中选取与所述图像处理器型号对应的目标测试子文件；在所述目标容器中对所述目标AI镜像执行所述目标测试子文件对应的测试操作。可选的，本实施例可以利用合成数据执行测试文件对应的测试操作，以便减小AI性能测试过程中所需的测试数据大小。
具体的，上述实施例中提到的所述基准测试程序包括AI训练测试程序tf_cnn_bench和AI推理测试程序TensorRT。相应的，将所述图像处理器型号对应的基准测试程序作为目标测试程序包括：若所述图像处理器型号为Tesla V100，则将第一测试子文件(如AI训练测试程序tf_cnn_bench)作为所述目标测试程序；若所述图像处理器型号为Tesla T4，则将第二测试子文件(如AI推理测试程序TensorRT)作为所述目标测试程序。
作为对于图1对应实施例的进一步说明，若AI服务器为用于进行图像处理的AI服务器时，执行所述测试文件对应的测试操作得到的性能检测结果可以包括所述AI服务器中所有图像处理器在预设时间段内处理的图片数量。进一步的，在得到所述AI服务器的性能检测结果之后，还可以根据所述性能检测结果和所述AI服务器包括的图像处理器数量计算每一所述图像处理器的平均图片处理量；判断所述平均图片处理量是否大于预设值；若是，则判定所述AI服务器的性能检测结果合格；若否，则判定所述AI服务器的性能检测结果不合格。
在传统方案中，AI服务器在产线没有进行AI性能测试，缺少可行的自动化测试方案。AI服务器在生成时，安装的操作系统os是最小化的基础包，在此基础上自动化部署AI测试环境，难度非常大。在传统方案中，AI性能测试的测试数据往往比较大，在产线下载和保存测试数据都是困难。测试数据大多几百G，数据盘不够大，无法连接网络，大数据拷贝耗费时间且容易出错。测试数据不易选择真实数据。在传统方案中，AI测试相对复杂，参数设置比较多，对测试人员的要求相对较高。
针对上述传统方案中存在的种种缺陷，本申请通过在实际应用中的实施例提供新的适用于产线的AI服务器性能测试系统，能够自动化部署深度学习测试环境，并能根据GPU机型选择要执行测试用例，并自动判断性能是否合理。上述AI服务器性能测试系统可以包括：
环境部署模块，用于提供docker和nvidia-docker的离线部署包。
加载镜像模块，用于镜像里已部署好AI测试环境，包含有tf_cnn_bench和TensorRT两个基准测试程序，测试数据使用合成数据。
创建容器模块，用于创建容器时会挂载本地的文件到容器里，将测试的日志文件保留下来。
启动测试模块，用于测试程序会先判断GPU的机型及GPU个数。如果是V100，及选用tf_cnn_bench测试程序，数据类型使用FP16。模型选用resnet50，做AI训练测试；如果是T4，则选用TensorRT程序，数据类型使用INT8，模型选用resnet50,做AI推理测试。
查询结果判定库模块，用于判定库里存放了resnet50,在单卡V100上的训练性能，和单卡T4上的推理性能。测试程序运行结束后，会查询判定库，如果实际的测试性能结果/GPU卡数低于理论的性能测试结果在20％的范围内，都判定为性能正常。如果高于这个范围，则判定为性能异常。
输出判断结果，用于判断结果会保留在日志文件里，供以后查看。同时会在窗口输出，供测试人员查看。
在上述AI服务器性能测试系统运行过程中可以实现以下操作：
将docker,nvidia-docker的安装包及AI镜像导入测试机器。启动run.sh的脚本，利用run.sh脚本自动安装docker的软件包：rpm-Uvh--force--nodeps*.rp，,nvidia-docker的安装包：yum install nvidia-docker2。
启动docker服务：systemctl start docker；
加载镜像：docker load-i auto.v2.tar；
创建容器并启动测试命令：
nvidia-docker–it–v/tmp:/tmp auto:ai"./run_and_time.sh"|tee benchmark-$NOW.log；
测试结束后可以将测试结果输出到日志和屏幕，以便工作人员进行记录和分析。本实施例选用容器进行AI服务器性能测试，可以将部署好的AI测试环境移植到产线。本实施例还可以提供结果判断库，测试结束后可以自行判断测试是否正常，保障了服务器产品的质量。本实施例提供了一种适合产线的全自动性能测试方案，从AI环境的准备、测试用例的选择及性能结果的判定都能够实现自动化操作，提高了AI性能检测的效率。
请参见图2，图2为本申请实施例所提供的一种AI服务器的性能检测系统的结构示意图；
该系统可以包括：
文件导入模块100，用于将容器离线部署包和AI镜像文件导入AI服务器；其中，所述AI镜像文件包括目标AI镜像和用于进行性能测试的测试文件；
容器创建模块200，用于通过加载所述容器离线部署包在所述AI服务器中创建目标容器；
性能检测模块300，用于加载所述AI镜像文件，并在所述目标容器中对所述目标AI镜像执行所述测试文件对应的测试操作，得到所述AI服务器的性能检测结果。
本实施例首先将容器离线部署包和AI镜像文件导入AI服务器，通过加载容器离线部署包在AI服务器中创建目标容器。由于AI镜像文件中包括测试文件和目标AI镜像，因此在加载AI镜像文件之后本实施例可以在目标容器中对目标AI镜像执行测试文件对应的测试操作，进而得到AI服务器的性能监测结果。上述过程无需人工参与，能够实现AI服务器的自动化性能测试。
可选的，所述测试文件包括用于测试AI服务器训练性能的第一测试子文件和用于测试AI服务器推理性能的第二测试子文件。
可选的，性能检测模块300包括：
测试文件确定单元，用于获取所述AI服务器的图像处理器型号，并从所述测试文件中选取与所述图像处理器型号对应的目标测试子文件；
测试单元，用于在所述目标容器中对所述目标AI镜像执行所述目标测试子文件对应的测试操作。
可选的，测试程序确定单元用于若所述图像处理器型号为Tesla V100，则将所述第一测试子文件作为所述目标测试子文件；还用于若所述图像处理器型号为Tesla T4，则将所述第二测试子文件作为所述目标测试子文件。
可选的，还包括：
磁盘挂载模块，用于将所述AI服务器的本地磁盘挂载至所述目标容器，以便将所述目标容器的测试日志文件保存至所述本地磁盘。
可选的，所述容器离线部署包为docker离线部署包或nvidia-docker离线部署包。
可选的，所述性能检测结果包括所述AI服务器中所有图像处理器在预设时间段内处理的图片数量；
相应的，还包括：
检测结果评价模块，用于在得到所述AI服务器的性能检测结果之后，根据所述性能检测结果和所述AI服务器包括的图像处理器数量计算每一所述图像处理器的平均图片处理量；还用于判断所述平均图片处理量是否大于预设值；若是，则判定所述AI服务器的性能检测结果合格；若否，则判定所述AI服务器的性能检测结果不合格。
由于系统部分的实施例与方法部分的实施例相互对应，因此系统部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
本申请还提供了一种存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请还提供了一种电子设备，可以包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然所述电子设备还可以包括各种网络接口，电源等组件。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种AI服务器的性能检测方法，其特征在于，包括：
将容器离线部署包和AI镜像文件导入AI服务器；其中，所述AI镜像文件包括目标AI镜像和用于进行性能测试的测试文件；
通过加载所述容器离线部署包在所述AI服务器中创建目标容器；
加载所述AI镜像文件，并在所述目标容器中对所述目标AI镜像执行所述测试文件对应的测试操作，得到所述AI服务器的性能检测结果。
2.根据权利要求1所述性能检测方法，其特征在于，所述测试文件包括用于测试AI服务器训练性能的第一测试子文件和用于测试AI服务器推理性能的第二测试子文件。
3.根据权利要求2所述性能检测方法，其特征在于，在所述目标容器中对所述目标AI镜像执行所述测试文件对应的测试操作，包括：
获取所述AI服务器的图像处理器型号，并从所述测试文件中选取与所述图像处理器型号对应的目标测试子文件；
在所述目标容器中对所述目标AI镜像执行所述目标测试子文件对应的测试操作。
4.根据权利要求3所述性能检测方法，其特征在于，从所述测试文件中选取与所述图像处理器型号对应的目标测试子文件，包括：
若所述图像处理器型号为Tesla V100，则将所述第一测试子文件作为所述目标测试子文件；
若所述图像处理器型号为Tesla T4，则将所述第二测试子文件作为所述目标测试子文件。
5.根据权利要求1所述性能检测方法，其特征在于，还包括：
将所述AI服务器的本地磁盘挂载至所述目标容器，以便将所述目标容器的测试日志文件保存至所述本地磁盘。
6.根据权利要求1所述性能检测方法，其特征在于，所述容器离线部署包为docker离线部署包或nvidia-docker离线部署包。
7.根据权利要求1至6任一项所述性能检测方法，其特征在于，所述性能检测结果包括所述AI服务器中所有图像处理器在预设时间段内处理的图片数量；
相应的，在得到所述AI服务器的性能检测结果之后，还包括：
根据所述性能检测结果和所述AI服务器包括的图像处理器数量计算每一所述图像处理器的平均图片处理量；
判断所述平均图片处理量是否大于预设值；
若是，则判定所述AI服务器的性能检测结果合格；
若否，则判定所述AI服务器的性能检测结果不合格。
8.一种AI服务器的性能检测系统，其特征在于，包括：
文件导入模块，用于将容器离线部署包和AI镜像文件导入AI服务器；其中，所述AI镜像文件包括目标AI镜像和用于进行性能测试的测试文件；
容器创建模块，用于通过加载所述容器离线部署包在所述AI服务器中创建目标容器；
性能检测模块，用于加载所述AI镜像文件，并在所述目标容器中对所述目标AI镜像执行所述测试文件对应的测试操作，得到所述AI服务器的性能检测结果。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如权利要求1至7任一项所述AI服务器的性能检测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如上权利要求1至7任一项所述AI服务器的性能检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010152734.7A CN111400131A (zh) | 2020-03-06 | 2020-03-06 | Ai服务器的性能检测方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010152734.7A CN111400131A (zh) | 2020-03-06 | 2020-03-06 | Ai服务器的性能检测方法、系统、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111400131A true CN111400131A (zh) | 2020-07-10 |
Family
ID=71434111
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010152734.7A Withdrawn CN111400131A (zh) | 2020-03-06 | 2020-03-06 | Ai服务器的性能检测方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111400131A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112214413A (zh) * | 2020-10-27 | 2021-01-12 | 北京字节跳动网络技术有限公司 | 一种应用程序的测试方法、装置、设备及存储介质 |
| CN112749072A (zh) * | 2021-01-22 | 2021-05-04 | 北京聚云科技有限公司 | 一种对存储训练数据的云存储系统的测试方法及装置 |
| CN114327781A (zh) * | 2021-12-30 | 2022-04-12 | 奇安信科技集团股份有限公司 | 虚拟终端的管控方法及装置、系统、电子设备、存储介质 |
-
2020
- 2020-03-06 CN CN202010152734.7A patent/CN111400131A/zh not_active Withdrawn
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112214413A (zh) * | 2020-10-27 | 2021-01-12 | 北京字节跳动网络技术有限公司 | 一种应用程序的测试方法、装置、设备及存储介质 |
| CN112214413B (zh) * | 2020-10-27 | 2024-01-16 | 北京字节跳动网络技术有限公司 | 一种应用程序的测试方法、装置、设备及存储介质 |
| CN112749072A (zh) * | 2021-01-22 | 2021-05-04 | 北京聚云科技有限公司 | 一种对存储训练数据的云存储系统的测试方法及装置 |
| CN112749072B (zh) * | 2021-01-22 | 2024-03-01 | 北京聚云科技有限公司 | 一种对存储训练数据的云存储系统的测试方法及装置 |
| CN114327781A (zh) * | 2021-12-30 | 2022-04-12 | 奇安信科技集团股份有限公司 | 虚拟终端的管控方法及装置、系统、电子设备、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111400131A (zh) | Ai服务器的性能检测方法、系统、电子设备及存储介质 | |
| US8381184B2 (en) | Dynamic test coverage | |
| CN109947646A (zh) | 接口测试方法、装置、计算机设备和存储介质 | |
| CN107302476B (zh) | 一种测试异步交互系统的自动化测试方法与系统 | |
| US20130091490A1 (en) | Method to automatically discover whether new code is covered by tests | |
| CN107729255B (zh) | 软件测试方法、装置及系统 | |
| CN109145981B (zh) | 深度学习自动化模型训练方法及设备 | |
| CN107832177A (zh) | 一种多gpu系统的edp测试方法、系统、设备及存储介质 | |
| CN107506294A (zh) | 可视化自动化测试方法、装置、存储介质和计算机设备 | |
| CN104298589B (zh) | 一种性能测试方法和设备 | |
| CN107153601B (zh) | 单元性能测试方法及设备 | |
| CN110750270A (zh) | 一种套装软件的部署方法及装置 | |
| CN116383539A (zh) | 一种Web网页自动化测试方法、装置及设备 | |
| CN109189673A (zh) | 一种软件的测试方案、测试用例的确定方法及装置 | |
| CN115525545A (zh) | 一种基于Docker的自动化测试方法、系统、设备及介质 | |
| CN116306429A (zh) | 实现状态数据捕获的方法、装置、计算机存储介质及终端 | |
| CN112527584A (zh) | 基于脚本编写及数据采集的软件效能提升方法和系统 | |
| CN107797915B (zh) | 故障的修复方法、装置及系统 | |
| CN118245336A (zh) | 一种网页开启耗时确定方法及装置 | |
| CN117155628B (zh) | 一种容器化应用交互式安全测试方法、系统、装置及可读存储介质 | |
| CN108984359A (zh) | 一种系统uuid同步检测方法、装置、设备及存储介质 | |
| CN114218912B (zh) | 工艺文件的生成方法、系统、存储介质以及电子装置 | |
| US9239775B1 (en) | Coordinated testing | |
| CN106227669A (zh) | 一种代码的测试方法、装置及电子设备 | |
| CN115408290A (zh) | 一种测试问题单处理方法、装置及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200710 |
|
| WW01 | Invention patent application withdrawn after publication |