- 将“执行环境”设置设置为“ CPU”训练。
- 开始培训您的模型,监视器培训进度图。记下每个时期需要多长时间进行训练。
- 停止训练。
- 将“执行环境”设置设置为“ gpu”训练。
- 开始培训您的模型,监视器培训进度图。记下每个时期需要多长时间进行训练。
- 停止训练。
深度学习期间GPU和CPU的表现
32次观看(最近30天)
显示较旧的评论
你好,
我需要在深度学习过程中知道GPU和CPU的作用。即他们每个人在培训期间做什么?
另外,是否可以测量在内存和GPU之间传输数据所需的开销时间?
任何帮助都将受到赞赏!
0评论
接受的答案
大卫·威灵汉(David Willingham)
2020年10月22日
编辑:大卫·威灵汉(David Willingham)
2020年10月22日
对于培训,您可以使用CPU或GPU。对于某些可以长时间训练CPU的深度学习问题,此类图像分类,GPU上的培训的数量级更快。通常,如果您可以访问合理强大的GPU进行培训。当您需要扩展并运行并行作业以在无法访问多个GPU的计算机上,CPU可以提供帮助。一个例子,运行实验通过使用该实验来调整超参数来调整超参数
实验经理
。
对于推理(调用训练有素的模型),CPU通常就足够了。作为图像Classiciation的示例,您可以在CPU上获得〜30个预测 /秒。但是,如果您需要非常高的帧速率或需要运行批处理作业,则使用GPU可以帮助您获得更快的结果。
我的建议:
训练单个模型
在大多数情况下,您会观察到GPU更快。
希望这有助于回答您的问题。
问候,
4条评论
大卫·威灵汉(David Willingham)
2020年10月22日
嗨,阿里,
这似乎根本不是不合理的。我的建议是查看哪些工作流程最好的工作流程,即。CPU和GPU。CPU更适合围绕培训的平行工作流程,GPU用于培训单个网络。使用通用网络时,MATLAB可以开箱即用。金宝app
大卫