学习|深度学习中(使用GPU和CPU的区别)

【学习|深度学习中(使用GPU和CPU的区别)】深度学习框架:Tensorflow
显卡型号:GTX 1060
CPU型号:i5-8300H


深度学习:使用GPU和CPU的区别

  • 前言
  • 代码
  • 结果
  • 总结

前言 ??这几天在做深度学习,想看看为什么 GPU 比 CPU 更适合做深度学习,于是简单的让 GPU 和 CPU 分别做矩阵的乘法运算看看运行情况。
代码 代码如下:
import tensorflow as tf import timeit import numpy as np import matplotlib.pyplot as plt # 以矩阵A[1,n]和矩阵B[n,1]的乘法运算(分别在cpu和gpu上运行)来测试: def cpu_run(num): with tf.device('/cpu:0'):#指定操作:用cpu计算 cpu_a=tf.random.normal([1,num]) cpu_b=tf.random.normal([num,1]) c=tf.matmul(cpu_a,cpu_b)#矩阵乘法,此操作采用cpu计算 return cdef gpu_run(num): with tf.device('/gpu:0'):#指定操作:用gpu计算 gpu_a=tf.random.normal([1,num]) gpu_b=tf.random.normal([num,1]) c=tf.matmul(gpu_a,gpu_b)#矩阵乘法,此操作采用gpu计算 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_timeprint(cpu_result) print(gpu_result)fig, ax = plt.subplots() ax.set_xscale("log") ax.set_adjustable("datalim") ax.plot(x_time,cpu_result,color='#005FDD', alpha=0.8, linewidth=1, label='C P U') ax.plot(x_time,gpu_result,color='#47AC3A', alpha=0.8, linewidth=1, label='G P U') ax.grid() plt.legend(loc="upper right") plt.title("CPU和GPU运行对比") plt.xlabel('计算量') plt.ylabel('时间') plt.draw() plt.show()

结果 结果如下:
学习|深度学习中(使用GPU和CPU的区别)
文章图片

总结 结论:
  • 1、在计算量较小的情况下,cpu的计算速度和gpu差不多,微量级别的差异
  • 2、随着计算量的增加,cpu的计算时间逐步增加,而gpu的计算时间相对平缓,在计算量达到一定程度之后,gpu的优势就出来了。
综上所述:大量数据下,GPU的优势就体现出来了!

    推荐阅读