tensorflow在各种环境下搭建与对比
由于有些训练是要长时间进行训练(几天),才能看出显著的结果,如果只是通过本地的计算机进行训练是不可能的。因此这周花了一些时间调研如何才能让神经网络长时间的进行运行,为以后训练网络提供可靠的运行环境。
Tensorflow部署的地方 | 优点 | 缺点 |
本地笔记本CPU版本的tensorflow | (1)安装相对本地的GPU版本的tensorflow容易 (2)方便通过本地的IDE比如PyCharm进行代码的调试 | (1)相对本地GPU版本的tensorflow运行较慢 (2)无法长时间的进行训练,比如几天到一周,甚至半个月 |
本地GPU笔记本版本的tensorflow |
|
|
谷歌的Colab云环境 |
| (1)不能长时间的运行,由于是免费的,硬件的性能不是很好,经过测试,和本地的CPU版本的tensorflow运行差不多速度,并且容易掉线 |
阿里云CPU服务器 |
|
|
Floyd云端GPU环境 |
| (3)价格相对较贵,如果是GPU版本训练的话需要10元/小时 |
由于对比以及试验了各种方法。因此如果是前期的话,先在自己的笔记本上面先用小批量的数据调试自己构造的网络,当调试好了之后可以通过git上传到阿里云服务器中进行长时间的训练(几天)看训练结果,并将训练好的参数进行保存,再传回自己的笔记本看生成结果。如果时间比较赶需要快速地得到结果可以使用Floyd云端GPU环境进行训练。