学习日记：深度学习CPU与GPU

我所用的笔记本电脑没有独立显卡，因此也不支持cuda等软件的安装

1.batch_size

今天用cpu跑深度学习的时候，原本代码的batch_size=512，我知道我的电脑肯定跑不了这么大的batch_size，就设置成batch_size=256，但是jupyter
notebook在跑第一个epoch的时候还是显示我的内核挂掉了，重启两三次都仍会遇到这个问题。

解决办法：把batch_size大小设置为100，在我的电脑上就可以正常运行了

每台电脑的cpu也不同，遇到类似的内核挂掉的问题，可以试着减少batch_size的大小

2.epoch

可以简单地理解为迭代的次数，与batch_size一样也会影响深度学习的速度

当epoch=50 batch_size=100的时候运行到第32个epoch还是显示内核挂掉了，我不太清楚是这两个哪个的问题，或者可能是数据量的问题。

但是我试验过，当epoch=30 batch_size=100的时候，是可以运行的。

3.运行速度

cpu处理深度学习的速度要比gpu慢很多，具体可以看下面的数据对比：

us/stepbatch_sizeepoch
GPU449us/step512200
CPU480ms/step10050

很明显，两者的差异非常大，所以还是建议有GPU的一定要在GPU上跑，训练的数据量可以更大一些，得到的准度也会更高一些，实在不行的话再在CPU上跑。

4.continue

• « 上一篇：Mysql中锁的分类与使用
• » 下一篇：C++ --多态案例之组装电脑