Tensorflow中使用cpu和gpu有什么区别
作者:风华明远 时间:2021-10-15 15:48:45
使用cpu和gpu的区别
在Tensorflow中使用gpu和cpu是有很大的差别的。在小数据集的情况下,cpu和gpu的性能差别不大。
不过在大数据集的情况下,cpu的时间显著增加,而gpu变化并不明显。
不过,我的笔记本电脑的风扇终于全功率运行了。
import tensorflow as tf
import timeit
import numpy as np
import matplotlib.pyplot as plt
def cpu_run(num):
with tf.device('/cpu:0'):
cpu_a=tf.random.normal([1,num])
cpu_b=tf.random.normal([num,1])
c=tf.matmul(cpu_a,cpu_b)
return c
def gpu_run(num):
with tf.device('/gpu:0'):
gpu_a=tf.random.normal([1,num])
gpu_b=tf.random.normal([num,1])
c=tf.matmul(gpu_a,gpu_b)
return c
k=10
m=7
cpu_result=np.arange(m,dtype=np.float32)
gpu_result=np.arange(m,dtype=np.float32)
x_time=np.arange(m)
for i in range(m):
k=k*10
x_time[i]=k
cpu_str='cpu_run('+str(k)+')'
gpu_str='gpu_run('+str(k)+')'
#print(cpu_str)
cpu_time=timeit.timeit(cpu_str,'from __main__ import cpu_run',number=10)
gpu_time=timeit.timeit(gpu_str,'from __main__ import gpu_run',number=10)
# 正式计算10次,取平均时间
cpu_time=timeit.timeit(cpu_str,'from __main__ import cpu_run',number=10)
gpu_time=timeit.timeit(gpu_str,'from __main__ import gpu_run',number=10)
cpu_result[i]=cpu_time
gpu_result[i]=gpu_time
print(cpu_result)
print(gpu_result)
fig, ax = plt.subplots()
ax.set_xscale("log")
ax.set_adjustable("datalim")
ax.plot(x_time,cpu_result)
ax.plot(x_time,gpu_result)
ax.grid()
plt.draw()
plt.show()
蓝线是cpu的耗时,而红线是gpu的耗时。
一些术语的比较(tensorflow和pytorch/cpu和gpu/)
tensorflow和pytorch
pytorch是一个动态框架,tensorflow是一个静态框架。
tensorflow是一个静态框架体现在:需要先构建一个tensorflow的计算图,构建好之后这样的一个计算图是不能变的,然后再传入不同的数据进去进行计算。
这种静态框架带来的问题是:固定了计算的流程,势必带来不灵活性,如果要改变计算的逻辑或者是随着时间变化的计算逻辑,这样的动态计算tensorflow是是无法实现的。
pytorch是一个动态框架,和python的逻辑一样,对变量做任何操作都是灵活的。
一个好的框架需要具备三点:(1)对大的计算图能方便的实现(2)能自动求变量的导数(3)能简单的运行在GPU上。这三点pytorch都可以达到
tensorflow在gpu上的分布式计算更为出色,在数据量巨大的时候效率比pytorch要高。企业很多都是用的tensorflow,pytorch在学术科研上使用多些。
pytorch包括三个层次:tensor/variable/module。tensor即张量的意思,由于是矩阵的运算,所以适合在矩阵上跑。variable就是tensor的封装,封装的目的就是为了能够保存住该variable在整个计算图中的位置,能够知道计算图中各个变量之间的相互依赖关系,这样就能够反向求梯度。module是一个更高的层次,是一个神经网络的层次,可以直接调用全连接层、卷积层等神经网络。
cpu和gpu
cpu更少的核,但是单个核的计算能力很强
gpu:更多的核,每个核的计算能力不如cpu,所以更适合做并行计算,如矩阵计算,深度学习就是很多的矩阵计算。
cuda
直接写cuda代码就类似写汇编语言
比cuda高级的是cudnn
比cudnn高级的是用框架tensorflow/caffe/pytorch
来源:https://blog.csdn.net/weixin_42272768/article/details/105427184
![](/images/zang.png)
![](/images/jiucuo.png)
猜你喜欢
用FrongPage设计网页花样
SQL查询效率注意事项小结
python 统计代码耗时的几种方法分享
![](https://img.aspxhome.com/file/2023/4/63274_0s.png)
ASP连接Oracle数据库的例子
expression为什么性能差?
微信跳一跳自动运行python脚本
scrapy自定义pipeline类实现将采集数据保存到mongodb的方法
Python函数参数基础介绍及示例
帮你六步改善SQL Server安全规划全攻略
python多维列表总是只转为一维数组问题解决
![](https://img.aspxhome.com/file/2023/0/76920_0s.png)
实现MySQL远程访问办法
防盗链接ASP函数
解决sublime+python3无法输出中文的问题
sql server vs10安装之后一些列问题
解析xml字符串的函数
sqlserver 多库查询 sp_addlinkedserver使用方法(添加链接服务器)
详解python中的线程与线程池
Python制作当年第一款手机游戏-贪吃蛇游戏(练习)
![](https://img.aspxhome.com/file/2023/0/79540_0s.gif)
Python中Matplotlib的点、线形状、颜色以及绘制散点图
![](https://img.aspxhome.com/file/2023/5/78685_0s.jpg)