【亲测】跑深度学习模型：笔记本的RTX3060 6G vs Google colab免费GPU 速度比较

已于 2022-11-07 18:59:52 修改
阅读量1.3w 收藏 21
点赞数 8
文章标签： 深度学习 tensorflow gpu
于 2022-02-26 18:08:09 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/DALEKSERROR/article/details/123152602
版权

简单测评

笔记本：thinkbook16p RTX3060标配

模型是FCN，跑的小数据集, 用的tensorflow
同样的数据和模型参数，我们来看看在两块GPU上的表现如何吧：

1、本地 RTX3060 6G (残血版，105w?）:


2、Google Colab 分配的免费GPU：

在这里插入图片描述
【结果】除了第一个epoch速度不太稳定可以忽略：
本地RTX3060：8s /epoch
Colab免费GPU：6s /epoch
本地CPU：24s /epoch
（上一台笔记本的英特尔i5-8265U CPU 更慢，大概是50+s/epoch）

补充：偶尔本地GPU的速度能达到2s /epoch，但大部分情况下仍是8s/epoch
在这里插入图片描述
结论就是本地3060不如Colab上白嫖的GPU速度快 (真香！），不过没有差太多。但是Colab不好的一点就是太容易断连，这个真的很头疼。
对于本地的RTX3060, 我发现一个kernel只能开一个页面，再开第二个页面。训练模型时必崩溃。。必须restart kernel才行，可能是显存小的原因？总之感觉本地的这个3060局限还是挺多的，后面租GPU似乎是避免不了了。

但是目前对我来说，这块显卡还是很有用的，因为目前我的数据集和使用的模型都没有确定下来，还在探索中，使用租用的GPU实在是不方便，一个是需要频繁更换数据，另一个是配置环境。不得不说，Colab在配置环境这块真的很方便，库比较齐全，基本不需要额外安装。
当然，也不是只为了这个显卡才换的电脑，比如16寸的大屏是真的香（之前用了4年的14寸），除了键盘比较一言难尽外整体还是不错的。

ps: 笔记本最近刚降了一波价哦，现在某东和联想官网7999就能买到了，2月初的时候还是8499，我还是买早了（心痛）

=====================================
【更新】
免费GPU首推kaggle！p100 16G每周至少30小时，比Colab免费分配的Tesla T4快了好几倍。然后避坑Colab pro（在淘宝充的80多一个月）分配的GPU（Tesla v100 sxm2 ）开到高配都和p100相差不大，体感甚至弱一些，而且每个月都有时间（算力）限制，注意是每个月（开最高配置，没仔细算过，估计12小时都跑不到。。性价比极低）
kaggle上除了不能改python版本和存储输出文件比较麻烦外，真的很良心了

DALEKSERROR
关注
  • 8
    点赞
  • 踩
  • 21
    收藏
    觉得还不错? 一键收藏
  • 11
    评论
基于数据并行实现多GPU跑模型预测（VGG16示例）
12-21
个人总结能实现多GPU跑图的方法： 1、使用谷歌框架tf.estimator； session_config = tf.ConfigProto(device_count={'GPU': 0,'GPU':1,'GPU':2,'GPU':3}) run_config = tf.estimator.RunConfig().replace(session_config=session_config) estimator = tf.estimator.Estimator( model_fn=model_fn, model_dir=FLAGS.model_dir, config=run_co
2020年机器学习深度学习下载地址.txt
06-26
李宏毅2020机器学习深度学习 P1. Machine Learning 2020_ Course Introduction P2. Rule of ML 2020 P3. Regression - Case Study P4. Basic Concept P5. Gradient Descent_1 P6. Gradient Descent_2 P7. Gradient Descent_3 P8. Optimization for Deep Learning 1_2 选学 P9. Optimization for Deep Learning 2_2 选学 P10. Classification_1 P11. Logistic Regression P12. Brief Introduction of Deep Learning P13. Backpropagation P14. Tips for Training DNN P15. Why Deep- P16. PyTorch Tutorial P17. Convolutional Neural Network P18. Graph Neural Network 1_2 选学 P19. Graph Neural Network 2_2 选学 P20. Recurrent Neural Network Part I P21. Recurrent Neural Network Part II P22. Unsupervised Learning - Word Embedding P23. Transformer P24. Semi-supervised P25. ELMO, BERT, GPT P26. Explainable ML 1_8 P27. Explainable ML 2_8 P28. Explainable ML 3_8 P29. Explainable ML 4_8 P30. Explainable ML 5_8 P31. Explainable ML 6_8 P32. Explainable ML 7_8 P33. Explainable ML 8_8 P34. More about Explainable AI 选学 P35. Attack ML Models 1_8 P36. Attack ML Models 2_8 P37. Attack ML Models 3_8 P38. Attack ML Models 4_8 P39. Attack ML Models 5_8 P40. Attack ML Models 6_8 P41. Attack ML Models 7_8 P42. Attack ML Models 8_8 P43. More about Adversarial Attack 1_2 选学 P44. More about Adversarial Attack 2_2 选学 P45. Network Compression 1_6 P46. Network Compression 2_6 P47. Network Compression 3_6 P48. Network Compression 4_6 P49. Network Compression 5_6 P50. Network Compression 6_6 P51. Network Compression 1_2 - Knowledge Distillation .flv P52. Network Compression 2_2 - Network Pruning 选学 P53. Conditional Generation by RNN & Attention P54. Pointer Network P55. Recursive P56. Transformer and its variant 选学 P57. Unsupervised Learning - Linear Methods P58. Unsupervised Learning - Neighbor Embedding P59. Unsupervised Learning - Auto-encoder P60. Unsupervised Learning - Deep Generative Model Part.flv P61. Unsupervised Learning - Deep Generative Model Part.flv P62. More about Auto-encoder 1_4 P63. More about Auto-encoder 2_4 P64. More about Auto-encoder 3_4 P65. More about Auto-encoder 4_4 P66. Self-supervised Learning 选学 P67. Anomaly Detection 1_7 P68. Anomaly Detection 2_7 P69. Anomaly Detection 3_7 P70. Anomaly Detection 4_7 P71. Anomaly Detection 5_7 P72. Anomaly Detection 6_7 P73. Anomaly Detection 7_7 P74. More about Anomaly Detection 选学 P75. Generative Adversarial Network1_10 P76. Generative Adversarial Network2_10 P77. Generative Adversarial Network3_10 P78. Generative Adversarial Network4_10 P79. Generative Adversarial Network5_10 P80. Generative Adversarial Network6_10 P81. Generative Adversarial Network7_10 P82. Generative Adversarial Network8_10 P83. Generative Adversarial Network9_10 P84. Generative Adversarial Network10_10 P85. SAGAN, BigGAN, SinGAN, GauGAN, GANILLA, NICE-GAN（选学.flv P86. Transfer Learning P87. More about Domain Adaptation 1_2 选学 P88. More about Domain Adaptation 2_2 选学 P89. Meta Learning – MAML 1_9 P90. Meta Learning – MAML 2_9 P91. Meta Learning – MAML 3_9 P92. Meta Learning – MAML 4_9 P93. Meta Learning – MAML 5_9 P94. Meta Learning – MAML 6_9 P95. Meta Learning – MAML 7_9 P96. Meta Learning – MAML 8_9 P97. Meta Learning – MAML 9_9 P98. More about Meta Learning 选学 P99. More about Meta Learning 选学 P100. Life Long Learning 1_7 P101. Life Long Learning 2_7 P102. Life Long Learning 3_7 P103. Life Long Learning 4_7 P104. Life Long Learning 5_7 P105. Life Long Learning 6_7 P106. Life Long Learning 7_7 P107. Deep Reinforcemen Learning3_1 P108. Deep Reinforcemen Learning3_2 P109. Deep Reinforcemen Learning3_3 P110. RL Advanced Version_1_Policy Gradient P111. RL Advanced Version_2_ Proximal Policy Optimizatio.flv P112. RL Advanced Version_3_Q-Learning P113. RL Advanced Version_4_Q-Learning Advanced Tips P114. RL Advanced Version_5_Q-Learning Continuous Action.flv P115. RL Advanced Version_6_Actor-Critic P116. RL Advanced Version_7_Sparse Reward P117. RL Advanced Version_8_Imitation Learning
win10+rtx4070ti深度学习环境（cuda 11.7、cudnn8.6.0、libtorch1.13.1+cu117）
02-14
使用rtx4070ti跑深度学习算法与部署c++环境,cuda及libtorch太大无法上传，文章中附带官方链接
新手小白跑深度学习-准备篇
最新发布
qq_61768843的博客
03-07 772
小白深度学习的入门经历
关于使用Google的colab进行深度学习训练的一些经验
qq_41801168的博客
06-04 4934
关于使用Google的colab进行深度学习训练的一些经验
深度学习的最佳 GPU推荐
专注于3D渲染行业，分享3D渲染的经验和技巧
05-08 6154
用于深度学习的最佳 GPU 是那些能够同时处理最并行计算和数据的 GPU。这些新的深度学习旨在开箱即用地处理 TensorFlow 和 PyTorch 等现代软件库，几乎不需要配置，也可以在单个芯片上提供高性能计算 (HPC) 功能。理想的 GPU 应该考虑各种参数，包括、功耗、内存大小、张量核心等，因为深度学习程序需要大量的处理能力才能正常运行。本文将详细讨论当今可用于深度学习的最强大的 GPU。深度学习的最佳 GPU作为 Ada 系列的顶级选择，该系列的顶级产品具有强大的动力。RTX。
darknet可执行程序（GPU版本-RTX3060）
08-10
基于win10+vs2017+opencv3.49+cuda11.1+RTX3060显卡编译
在笔记本双显卡上构建GPU运行cuda和cudnn环境
05-06
搭建使用tensorflow（cuda+cudnn）或 theano(cuda)并利用gpu加速，并以openai gym作为测试平台，eclipse with pydev作为开发平台。
NVIDIA A100跑DeepFaceLab，日迭代破百万，像素上800！
托尼不是塔克
09-18 3677
昨天用滴滴云的A100做了下TenorFlow的基准测试，可能略显抽象！今天来跑跑DeepFaceLab，整体来说A100还是挺强！ A100也应该未来一两年最强的深度学习显卡了，毕竟是单张七八万，一套DGX 一百多万的卡！ 已经连续看了两天命令行和数字了，头围有所增加！ 环境配置： 主角：A100-SXM4-40GB， 配套：CUDA11，Tensorflow 1.15.2 NV特别版， 系统：Ubuntu 18.04 安装注意点： 显卡相关支持和深度学习框架已经安装好了，只需要获取De
跑深度模型的显卡_不止显卡！这些硬件因素也影响着你的深度学习模型性能
weixin_39830303的博客
11-22 3175
加入极市专业CV交流群，与6000+来自腾讯，华为，百度，北大，清华，中科院等名企名校视觉开发者互动交流！更有机会与李开复老师等大牛群内互动！同时提供每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流。关注极市平台公众号，回复加群，立刻申请入群~作者：Justin ho来源：https://zhuanlan.zhihu.com/p/67785062本文已经作者授权，转...
跑深度模型的显卡_2020年人工智能深度学习 GPU 解决方案推荐
weixin_39946327的博客
10-19 1029
纵观人类几百年来的科技发展史，几乎所有的新兴学科的发展背后都有两个字——“烧钱”！作为近年来最火热的行业——人工智能，在烧钱方面同样不遑多让。众所周知，人工智能的训练和推理都需要海量的高性能计算，大型企业或者研究机构可以一掷千金部署 HPC；中小型企业或个人研究者通常选择购置性能强劲的 GPU 搭建工作站。那么，2020年的研究者们应该配备什么样的 GPU 才能满足深度学习的需求呢？做深度学习的朋...
跑深度模型的显卡_人工智能研究者应该选择哪款显卡？
weixin_39742727的博客
11-21 2213
2020 年，什么样的 GPU 才是人工智能训练的最佳选择？我在自己的网站中专门介绍过GPU的一些硬件基础知识：https://lulaoshi.info/gpu/gpu-basic/gpu.html。英伟达为优化深度学习的矩阵运算，在较新的微架构中，专门设计了Tensor Core这样的混合精度核心，因此，人工智能训练最好选择带有Tensor Core的GPU。我和滴滴云有一些合作，没有GPU的...
最适合游玩2K的游戏显卡! RTX 3060 Ti TUF Gaming实测
08-31
【Huan】最適合遊玩2K的遊戲顯卡!_RTX_3060_Ti_TUF_Gaming實測
470.05_RTX3060.7z
03-17
nvidia官方版驱动
6G网络安全场景分析及安全模型研究.pdf
07-03
6G网络安全场景分析及安全模型研究.pdf
可轻松超频至1900MHz技嘉GeForce RTX2060 GAMINGOC6G显卡.pdf
07-03
可轻松超频至1900MHz技嘉GeForce RTX2060 GAMINGOC6G显卡.pdf
CUDA Device Query NVIDIA-GeForce-RTX-3060.txt
10-21
Device 0: "NVIDIA GeForce RTX 3060" CUDA Driver Version / Runtime Version 12.1 / 10.0 CUDA Capability Major/Minor version number: 8.6 Total amount of global memory: 12042 MBytes (12626624512 bytes)...
基于深度学习的车牌识别算法，其中，车辆检测网络直接使用YOLO侦测.zip
02-20
设计一个基于深度学习的车牌检测识别系统，用于本科毕业论文可以说是非常合适的，这篇博文记录的就是一篇本科毕业设计所用到的模型算法，训练这个代码（在RTX4090上训练中等参数的Model大概只需要2个小时（时长不止...
“最甜”安培核心GPU带来了什么从RTX 3060发布看NVIDIA的“野心.pdf
09-25
“最甜”安培核心GPU带来了什么从RTX 3060发布看NVIDIA的“野心.pdf
rtx3060可以训练哪些模型
07-14
RTX 3060是一款较新的显卡，具备较强的计算能力，因此可以用于训练许多不同类型的模型。以下是一些常见的模型类型，可以在RTX 3060上进行训练： 1. 图像分类模型：如ResNet、VGG、Inception等。 2. 目标检测模型：如YOLO、Faster R-CNN、SSD等。 3. 语义分割模型：如U-Net、DeepLab等。 4. 机器翻译模型：如Transformer、LSTM等。 5. 文本生成模型：如GPT-2、BERT等。 6. 强化学习模型：如Deep Q-Learning、Policy Gradient等。 7. 声音识别模型：如DeepSpeech、WaveNet等。 需要注意的是，RTX 3060的显存相对较小（通常为12GB），对于一些较大的模型或数据集来说可能会有限制。因此，在训练大规模模型或处理大型数据集时，可能需要考虑显存的限制以及相应的优化策略。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 11
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值