caffe：单CPU（E2650）下--单GPU和双GPU（GTX 1080ti）下执行LeNet-5的mnist运行时间对比

最新推荐文章于 2023-03-16 14:18:03 发布
最新推荐文章于 2023-03-16 14:18:03 发布
阅读量1.5k 收藏
点赞数
分类专栏： caffe时间对比
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/chenshuibiao/article/details/78744985
版权

GPU:

                                                         

                                                                                     表1对比结果

 单GPU（GTX 1080ti）双GPU（GTX 1080ti）
batch_size = 32                             15 s                                19 s
batch_size = 64                             15 s                                 20 s


情况一：batch_size = 64,单GPU（GTX 1080ti）:用时间15秒



情况二：batch_size = 64,双GPU（GTX 1080ti）用时间20秒


情况三：batch_size = 32,单GPU（GTX 1080ti）用时间15秒


情况四：batch_size =32,双GPU（GTX 1080ti）用时间19秒


ChenShuiBiao
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
卷积神经网络之LeNet（三）
qq_45160840的博客
10-04 375
GPU提高计算速度
使用卷积神经网络进行激光雷达点云目标检测——SECOND
W_Tortoise的博客
01-29 1万+
前言 现在出现了很多使用卷积神经网络进行点云目标检测的工作，今天就分享一项这方面的工作，其最大优势是推理速度快。 论文：https://www.mdpi.com/1424-8220/18/10/3337 Github：https://github.com/traveller59/second.pytorch KITTI 3D Object Detection Ranking：http://www....
深度学习10. CNN经典网络 LeNet-5实现MNIST
编程圈子-谢厂节的博客
03-16 1052
LeNet-5是一个经典的卷积神经网络模型，1998年被提出，论文题目是 “Gradient-Based Learning Applied to Document Recognition” ，作者为 Yann LeCun, Léon Bottou, Yoshua Bengio, and Patrick Haffner。LeNet-5是一个用于手写数字识别的深度神经网络模型，由两个卷积层和三个全连接层组成。LeNet-5是深度神经网络的开创者之一，对后来的深度学习算法发展产生了重要的影响。
Caffe 多GPU训练问题，以及batch_size 选择的问题
calvinpaean的博客
11-14 4260
多GPU训练时，速度没有变得更快。 使用多GPU训练时，每个GPU都会运行一个 Caffe 模型的实例。比如当使用 nnn 个GPU训练时，网络会有 nnn 个分身分别在各自的GPU上运行，nnn 个网络中有一个“本尊”叫root_net，root_net除了负责正常的前传反传还负责更新参数，而其它网络只负责前传和反传。大致流程是这样的，nnn 个网络共享一个数据层，数据层读取 nnn 个ba...
ViT系列 | 24小时用1张GPU训练一个Vision Transformer可还好？
CV_Autobot的博客
11-24 1277
作者|小书童 编辑|汽车人点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【全栈算法】技术交流群后台回复【transformer综述】获取2022最新ViT综述论文！‍Transformers已成为计算机视觉最新进展的核心。然而，从头开始训练ViT模型可能会耗费大量资源和时间。在本文中旨在探索降低ViT模型训练成本的方法。引入了一些算法改进，以便能够...
MobileNet-v2-caffe：用于caffe的MobileNet-v2实验网络描述
02-02
MobileNet-v2-caffe：用于caffe的MobileNet-v2实验网络描述
mini-caffe：Caffe的最小运行时核心，仅转发，GPU支持和内存效率
02-04
此存储库旨在为希望转发Caffe模型的用户提供一个最小的C ++运行时核心。Mini-Caffe可以做什么？ Mini-Caffe仅取决于OpenBLAS和protobuf，这意味着您无法使用Mini-Caffe训练模型。 它还仅支持正向功能，这意味着您...
深度学习Caffe框架实战剖析教程（深度学习、机器学习、LeNet-5模型、MNIST数据集、CNN）
12-03
深度学习Caffe框架实战剖析教程（深度学习、机器学习、LeNet-5模型、MNIST数据集、CNN），本教程以目前已经大量用于线上系统的深度学习主流框架Caffe为例，从底层开始，由浅入深，先是概述Caffe框架，说明其和深度...
caffe-ssd-mobilenet:包含Caffe-SSD-Mobilenet(DepthwiseConvolution) 和 Caffe-SSD 和 Classification
05-09
caffe-mobilenet-ssd 测试前向网络速度 $ cd ~/caffe $ ./build/tools/caffe time -gpu 0 -model examples/mobilenet/XXXX.prototxt Intro 包含Caffe-SSD-Mobilenet 一、环境搭建： （1）和编译Caffe一样 1....
深度学习Caffe框架实战剖析视频课程（深度学习、机器学习、LeNet-5模型、MNIST数据集、CNN）
12-10
深度学习Caffe框架实战剖析教程（深度学习、机器学习、LeNet-5模型、MNIST数据集、CNN） 课程收益 目标一. 了解Caffe框架的环境配置以及LEVELDB和LMDB数据。 目标二. 学习并且掌握Caffe框架最基础的数据结构，明白...
lenet-5模型的手写数字识别
04-17
基于lenet-5手写数字识别神经网络，添加部分代码可充分利用CPU资源
卷积神经网络CNN与LeNet5详解(可训练参数量、计算量、连接数的计算+项目实战)
雷恩Layne
07-28 1万+
文章目录神经网络CNN卷积神经网络CNN的由来局部感受野共享权重池化CNN的结构光栅化LeNet5详解LeNet5-C1层LeNet5-S2层LeNet5-C3层LeNet5-S4层LeNet5-C5层LeNet5-F6层LeNet5-OUTPUT层计算公式LeNet5实战定义网络模型初始化模型参数训练测试准确率预测结果 神经网络 神经网络可以看成一个端到端的黑盒，中间是隐藏层(可以很深)，两边是输入与输出层，完整的神经网络学习过程如下： 定义网络结构（指定输入层、隐藏层、输出层的大小） 初始化模型参数
GTX1080 LetNet-5 CPU GPU cuDNN5.1 时间对比
AI小作坊 的博客
01-05 1200
CPU 模式：Makefile.configCPU_ONLY:=1make clean make -j4./build/tools/caffe.bin time -model examples/mnist/lenet_train_test.prototxt Testing for 50 iterations.3350msGPU 模式：Makefile.config#CPU_ONLY:=1mak
caffe测试训练好的caffemodel和记录每层的运行时间
anntang18的博客
05-09 4342
我用的是ubuntu的caffe。 在caffe的目录下 在terminal中运行以下命令用以测试已经训练好的caffemodel的accuracy： （或者将以下命令放在.sh文件中运行） ./build/tools/caffe test --model=/examples/mnist/lenet_train_test.prototxt --weights= /examples/mnis
Deep Learning（深度学习）学习笔记整理系列之LeNet-5卷积参数个人理解
热门推荐
qiaofangjie的专栏
11-19 10万+
Deep Learning（深度学习）学习笔记整理系列的地址是http://blog.csdn.net/zouxy09/article/details/8781543,里面举了一个卷积例子用来说明参数. 一个典型的例子说明        一种典型的用来识别数字的卷积网络是LeNet-5（效果和paper等见这）。当年美国大多数银行就是用它来识别支票上面的手写数字的。能够达到
GPU与CPU比较
wei_god的专栏
03-21 1408
现在更多被需要的依然是CPU，只是GPU在大规模并发计算中体现出其一技之长所以应用范围逐渐变得广泛，并成为近些年的热点话题之一。对初学者而言知道二者之间的区别还是非常必要的。
GPU显存 - 深度学习中 GPU 和显存分析
长风破浪会有时，直挂云帆济沧海
12-26 1万+
深度学习中 GPU 和显存分析 原文作者陈云. 本文原载于知乎专栏——人工智障的深度瞎学之路 深度学习最吃机器，耗资源，在本文，我将来科普一下在深度学习中： 何为“资源” 不同操作都耗费什么资源 如何充分的利用有限的资源 如何合理选择显卡 并纠正几个误区： 显存和GPU等价，使用GPU主要看显存的使用？ Batch Size 越大，程序越快，而且近似成正比？ 显存占用越多，...
经典网络LeNet-5介绍及代码测试(Caffe, MNIST, C++)
网络资源是无限的
03-10 4851
LeNet-5：包含7个层(layer)，如下图所示：输入层没有计算在内，输入图像大小为32*32*1，是针对灰度图进行训练和预测的。论文名字为” Gradient-Based Learning Applied to Document Recognition”，可以直接从http://yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf 下载原始论文。 第...
ubuntu18.04安装caffe-ssd-gpu
最新发布
06-28
安装caffe-ssd-gpu在ubuntu18.04的步骤如下： 1. 安装CUDA：从Nvidia官网下载合适的CUDA安装包，按照官方文档的指引进行安装。 2. 安装依赖：运行以下命令安装所需依赖库： ``` sudo apt-get install ...

“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
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