©2020-2024 ioDraw All rights reserved,
Privacy Policy
GPU由于擅长矩阵运算，在深度学习尤其是计算机视觉方面得到了广泛的应用。
前几天在我废了好大劲在我的的电脑上安装了Tensorflow 2.0 - GPU，然后就迫不及待地去体验一下GPU的速度。
我去Tensorflow官网上直接复制了一段代码，就是最简单的神经网络识别MNIST手写数字数据集。然后分别用GPU和CPU跑了以下，结果让我大吃一惊。之前听别人说用GPU通常会比CPU快好几倍，而我经过尝试发现GPU竟然比CPU还要慢了好多！
经过请教别人和上网查资料得出结论：是因为模型规模过小，没有体现出GPU的优势。
下面先看一下我的电脑的CPU和GPU的配置：
硬件型号
CPU第六代英特尔酷睿i5-6200U处理器
GPUNVIDIA GeForce 940M
下面看代码。大家可以跑一下试试（不同硬件配置结果可能不同）
<>小规模神经网络模型（GPU比CPU慢）
#TensorFlow and tf.keras import tensorflow as tf #Helper libraries import numpy
as np import matplotlib.pyplot as plt from time import time mnist = tf.keras.
datasets.mnist (x_train, y_train), (x_test, y_test) = mnist.load_data() x_train,
x_test= x_train / 255.0, x_test / 255.0 #用CPU运算 startTime1 = time() with tf.
device('/cpu:0'): model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(
input_shape=(28, 28)), tf.keras.layers.Dense(128, activation='relu'), tf.keras.
layers.Dropout(0.2), tf.keras.layers.Dense(10, activation='softmax') ]) model.
compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=[
'accuracy']) model.fit(x_train, y_train, epochs=10) model.evaluate(x_test,
y_test) t1 = time() - startTime1 #用GPU运算 startTime2 = time() with tf.device(
'/gpu:0'): model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(
input_shape=(28, 28)), tf.keras.layers.Dense(128, activation='relu'), tf.keras.
layers.Dropout(0.2), tf.keras.layers.Dense(10, activation='softmax') ]) model.
compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=[
'accuracy']) model.fit(x_train, y_train, epochs=10) model.evaluate(x_test,
y_test) t2 = time() - startTime2 #打印运行时间 print('使用cpu花的时间：', t1) print(
'使用gpu花的时间：', t2)
结果：
使用cpu花的时间： 52.422937631607056 使用gpu花的时间： 122.77410888671875
GPU比CPU慢的原因大致为：
数据传输会有很大的开销，而GPU处理数据传输要比CPU慢，而GPU的专长矩阵计算在小规模神经网络中无法明显体现出来。
<>加深加宽隐藏层（GPU优势逐渐体现）
#TensorFlow and tf.keras import tensorflow as tf #Helper libraries import numpy
as np import matplotlib.pyplot as plt from time import time mnist = tf.keras.
datasets.mnist (x_train, y_train), (x_test, y_test) = mnist.load_data() x_train,
x_test= x_train / 255.0, x_test / 255.0 #CPU运行 startTime1 = time() with tf.
device('/cpu:0'): model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(
input_shape=(28, 28)), tf.keras.layers.Dense(1000, activation='relu'), tf.keras.
layers.Dropout(0.2), tf.keras.layers.Dense(1000, activation='relu'), tf.keras.
layers.Dropout(0.2), tf.keras.layers.Dense(10, activation='softmax') ]) model.
compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=[
'accuracy']) model.fit(x_train, y_train, epochs=10) model.evaluate(x_test,
y_test) t1 = time() - startTime1 #GPU运行 startTime2 = time() with tf.device(
'/gpu:0'): model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(
input_shape=(28, 28)), tf.keras.layers.Dense(1000, activation='relu'), tf.keras.
layers.Dropout(0.2), tf.keras.layers.Dense(1000, activation='relu'), tf.keras.
layers.Dropout(0.2), tf.keras.layers.Dense(10, activation='softmax') ]) model.
compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=[
'accuracy']) model.fit(x_train, y_train, epochs=10) model.evaluate(x_test,
y_test) t2 = time() - startTime2 #打印运行时间 print('使用cpu花的时间：', t1) print(
'使用gpu花的时间：', t2)
结果：
使用cpu花的时间： 390.03080129623413 使用gpu花的时间： 224.40780639648438
以上，希望能给大家带来帮助！