CPU跑神经网络和gpu gpu训练神经网络比cpu快多少

转载

码海探险家 2023-11-12 08:24:58

文章标签 CPU跑神经网络和gpu gpu cpu cudnn 加速 文章分类 神经网络人工智能

测试了一下分别用cpu，gpu，gpu+cudnn跑CNN，看看分别会用多少时间。

直接看测试结果

1.运行`Dogs vs Cats`例子

使用配置情况	cpu	gpu	gpu+cuDNN5.0	gpu+cuDNN5.1
一个epoch耗时	526s	41s	38s	38s

gpu比cpu快了12倍，gpu+cudnn比gpu快了0.1倍

2.运行`mnist`例子

使用配置情况	cpu	gpu	gpu+cuDNN5.0	gpu+cuDNN5.1
一个epoch耗时	58s	18s	9s	9s

gpu比cpu快了3倍，gpu+cudnn比gpu快了1倍
差距还挺大，可能跟程序有关吧

说明

笔记本配置：i5-3210m+GT640M+8G内存。
实验图片下载地址：kaggle：Dogs vs. Cats
关于源码和图片层次结构的说明：

This script goes along the blog post
"Building powerful image classification models using very little data"
from blog.keras.io.
It uses data that can be downloaded at:
https://www.kaggle.com/c/dogs-vs-cats/data
In our setup, we:
- created a data/ folder
- created train/ and validation/ subfolders inside data/
- created cats/ and dogs/ subfolders inside train/ and validation/
- put the cat pictures index 0-999 in data/train/cats
- put the cat pictures index 1000-1400 in data/validation/cats
- put the dogs pictures index 12500-13499 in data/train/dogs
- put the dog pictures index 13500-13900 in data/validation/dogs
So that we have 1000 training examples for each class, and 400 validation examples for each class.
In summary, this is our directory structure:

data/
    train/
        dogs/
            dog001.jpg
            dog002.jpg
            ...
        cats/
            cat001.jpg
            cat002.jpg
            ...
    validation/
        dogs/
            dog001.jpg
            dog002.jpg
            ...
        cats/
            cat001.jpg
            cat002.jpg
            ...

cnn程序源自这里, 貌似需要翻墙，这里有个翻译后的中文地址面向小数据集构建图像分类模型。
直接贴源码：

from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Convolution2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense


# dimensions of our images.
img_width, img_height = 150, 150

train_data_dir = 'data/train'
validation_data_dir = 'data/validation'
nb_train_samples = 2000
nb_validation_samples = 800
nb_epoch = 50


model = Sequential()
model.add(Convolution2D(32, 3, 3, input_shape=(3, img_width, img_height)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Convolution2D(32, 3, 3))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Convolution2D(64, 3, 3))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(1))
model.add(Activation('sigmoid'))

model.compile(loss='binary_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])

# this is the augmentation configuration we will use for training
train_datagen = ImageDataGenerator(
        rescale=1./255,
        shear_range=0.2,
        zoom_range=0.2,
        horizontal_flip=True)

# this is the augmentation configuration we will use for testing:
# only rescaling
test_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
        train_data_dir,
        target_size=(img_width, img_height),
        batch_size=32,
        class_mode='binary')

validation_generator = test_datagen.flow_from_directory(
        validation_data_dir,
        target_size=(img_width, img_height),
        batch_size=32,
        class_mode='binary')

model.fit_generator(
        train_generator,
        samples_per_epoch=nb_train_samples,
        nb_epoch=nb_epoch,
        validation_data=validation_generator,
        nb_val_samples=nb_validation_samples)

model.save_weights('first_try.h5')

下面是具体的结果和使用教程：

1.CPU

装完keras后跑例子就直接用的cpu了。
.theanorc.txt配置文件里设为cpu。
.theanorc.txt文件在C:\Users\tang下面（tang是我的电脑名字，你找你的电脑名字就行）。
如没有该文件就手动创建一个。
内容：

[global]
openmp = False
device = cpu
floatX = float32
allow_input_downcast=True
[blas]
ldflags =
[gcc]
cxxflags = -IC:\Anaconda2\MinGW
[nvcc]
flags = -LC:\Anaconda2\libs
compiler_bindir = C:\Program Files (x86)\Microsoft Visual Studio 11.0\VC\bin
fastmath = True
flags = -arch=sm_30

运行结果：

CPU跑神经网络和gpu gpu训练神经网络比cpu快多少_CPU跑神经网络和gpu

2.GPU

要用GPU加速的话，要安装CUDA,安装过程参考Keras安装与配置指南（cpu+gpu+cudnn）。
提醒：在安装cuda前，最好先把独显显卡驱动卸载，不然很容易失败。
安装完cuda后，把.theanorc.txt配置文件里的

device = cpu

改为

device = gpu

就行了，运行结果：

CPU跑神经网络和gpu gpu训练神经网络比cpu快多少_cudnn_02

可以看到红色字体显示出了显卡信息，并且运行速度提升了12倍左右。

3.GPU+cuDNN

直接去这里（Nvida官网）下载就行，不过得申请个账号。看到cuDNN有5.0和5.1版本，就都试了一下。

使用方法

第一步：下载完cuDNN后，把压缩包里的bin、lib、include文件夹拷贝到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5下面，覆盖原文件夹即可。
提醒：覆盖前，备份原本的文件是个好习惯，以防意外发生

第二步：修改.theanorc.txt配置文件。
在device = gpu下面添加一句optimizer_including=cudnn就行了。
即由

[global]
openmp = False
device = gpu
floatX = float32
allow_input_downcast=True
[blas]
ldflags =
[gcc]
cxxflags = -IC:\Anaconda2\MinGW
[nvcc]
flags = -LC:\Anaconda2\libs
compiler_bindir = C:\Program Files (x86)\Microsoft Visual Studio 11.0\VC\bin
fastmath = True
flags = -arch=sm_30

变为

[global]
openmp = False
device = gpu
optimizer_including=cudnn
floatX = float32
allow_input_downcast=True
[blas]
ldflags =
[gcc]
cxxflags = -IC:\Anaconda2\MinGW
[nvcc]
flags = -LC:\Anaconda2\libs
compiler_bindir = C:\Program Files (x86)\Microsoft Visual Studio 11.0\VC\bin
fastmath = True
flags = -arch=sm_30

保存文件，直接运行程序即可。