优化你的CPU来做深度学习

最新推荐文章于 2024-02-04 11:44:23 发布

小白学视觉

最新推荐文章于 2024-02-04 11:44:23 发布

阅读量1.6k

点赞数 3

文章标签： python 人工智能深度学习 java 神经网络

原文链接：https://mp.weixin.qq.com/s?__biz=MzU0NjgzMDIxMQ==&mid=2247588268&idx=5&sn=54a7d68867ceedc45cdb919757623f73&chksm=fb547b40cc23f256bfc69e91600212b459d10aeda46661abcc6ed80dd58849b7c4a1f1b237c6&scene=126&&sessionid=0

版权

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

导读

对于想学习深度学习的同学们来说，学习资源网上有很多，但是计算资源确很少，而GPU又太贵，怎么办呢？通过简单的设置，将CPU做深度学习的速度提升到3倍以上，大家又可以愉快的学习深度学习了！

在过去的几年里，无论是在学术界还是产业界，深度学习的速度都在加快。现在每家公司都在寻找基于人工智能的问题解决方案。这种繁荣有它自己的优点和缺点，但这是另一篇文章，改天再说。机器学习实践者的激增已经渗透到学术界的根源，几乎每个领域的学生都可以通过课程、mooc、书籍、文章，当然还有课程论文，接触到人工智能和ML知识。

然而，硬件资源的可用性阻碍了这种增长。GPU是你能够以一定的速度执行ML任务的最佳设备之一。然而高性能GPU的价格甚至可以到20449美元(NVIDIA Tesla GPU V100 32 gb) 。此外，使用高级GPU的消费级笔记本电脑，使用1050Ti或1080Ti之类的GPU，售价约为2000美元。为了减轻这种痛苦，谷歌、Kaggle、Intel和Nvidia免费提供了基于云的高计算系统，但对空间、计算能力、内存或时间都有限制。但是这些在线服务也有其缺点，包括管理数据(上传/下载)、数据隐私等。这些问题导致了我的文章的主要观点，“为什么不优化我们的cpu来实现深度学习任务的加速？”

性能的提升

对于下面提到的各种实验，我会展示我观察到的时间和利用率的提高。

10层深度CNN用于CIFAR-100图像分类。
3层深度LSTM进行IMDB情绪分析。
6层深度密集神经网络用于MNIST图像分类。
9层全卷积MNIST自动编码器。

这些任务用Keras写代码，使用tensorflow后端，数据集和代码和和可执行库放在一个盘里。所使用的是SSD硬盘。

我们将考虑以下六种优化组合。

英特尔(R) Core (TM) i7。
Intel(R) Xeon(R) CPU E3-1535M v6。
英特尔(R)核心(TM) i7与英特尔Python(英特尔i7*)。
Intel(R) Xeon(R) CPU E3-1535M v6采用Intel Python (Intel Xeon*)。
Intel(R) Core (TM) i7与Intel Python和处理器线程优化(Intel i7(O))。
Intel(R) Xeon(R) CPU E3-1535M v6采用Intel Python和处理器线程优化(Intel Xeon(O))。

对于每个任务，epochs的数量固定在50。从下图中我们可以看到，对于一个Intel(R) Core (TM) i7-7700HQ CPU @ 2.80GHz CPU， epoch的平均时间接近4.67秒，经过适当的优化后下降到1.48秒，即提高3.2倍。对于一个Intel(R) Xeon(R) CPU E3-1535M v6 @ 3.10GHz CPU，epoch的平均时间接近2.21秒，经过适当的优化后下降到0.64秒，提高了3.45倍。

每个epoch的平均时间

优化不仅仅是在时间上，优化的分布也优化了CPU的利用率，这最终导致更好的热量管理，你的笔记本电脑不会像以前训练深度神经网络时那么热。

使用率

我们可以看到，在不进行任何优化的情况下，训练时CPU利用率最高达到100%，从而减慢了所有其他进程并使系统升温。然而，通过适当的优化，i7和Xeon的利用率分别下降到70%和65%，但是在运行时间上却减少了。

这两个指标可以用以下相关术语进行总结。

在上面的图中，越低的值越好，即以Intel Xeon为基准进行所有优化，而一个Intel Core i7处理器在优化后，每个epoch花费的时间几乎是Xeon的两倍。上面的图表清楚地显示了从训练神经网络的时间和CPU的使用情况来看，英特尔Python优化是前途光明的。

设置Intel的Python发行版

Intel Software提供了一个关于如何设置此选项的详尽的资源列表，但是我们通常可能会遇到一些问题。更多关于发行版的详细信息看这里：(https://software.intel.com/en-us/distribution-for-python)。你可以选择安装的类型，即本地pip或conda。我更喜欢conda，因为它为我节省了大量的麻烦，而且我可以专注于ML，而不是解决我的库的兼容性问题。

1) 下载安装Anaconda

你可以从这里：(https://www.anaconda.com/distribution/)下载Anaconda。他们的网站列出了在windows、ubuntu和macOS环境中安装Python的所有步骤，并且很容易做。

2) 在你的Anaconda发布中设置Intel python

这一步通常比较棘手。最好为Intel发行版创建一个虚拟环境，这样你就可以随时在一个地方添加/更改优化后的库。让我们创建一个名为“intel.”的虚拟环境。

conda create -n intel -c intel intelpython3_full

这里-c表示通道，因此我们不将Intel添加为通道，而是通过-c调用该通道。在这里，intelpython3_full将自动从Intel发行版获取必要的库，并将它们安装到你的虚拟环境中。这个命令将安装以下库。

The following NEW packages will be INSTALLED:
asn1crypto         intel/win-64::asn1crypto-0.24.0-py36_3
bzip2              intel/win-64::bzip2-1.0.6-vc14_17
certifi            intel/win-64::certifi-2018.1.18-py36_2
cffi               intel/win-64::cffi-1.11.5-py36_3
chardet            intel/win-64::chardet-3.0.4-py36_3
cryptography       intel/win-64::cryptography-2.3-py36_1
cycler             intel/win-64::cycler-0.10.0-py36_7
cython             intel/win-64::cython-0.29.3-py36_1
daal               intel/win-64::daal-2019.3-intel_203
daal4py            intel/win-64::daal4py-2019.3-py36h7b7c402_6
freetype           intel/win-64::freetype-2.9-vc14_3
funcsigs           intel/win-64::funcsigs-1.0.2-py36_7
icc_rt             intel/win-64::icc_rt-2019.3-intel_203
idna               intel/win-64::idna-2.6-py36_3
impi_rt            intel/win-64::impi_rt-2019.3-intel_203
intel-openmp       intel/win-64::intel-openmp-2019.3-intel_203
intelpython        intel/win-64::intelpython-2019.3-0
intelpython3_core  intel/win-64::intelpython3_core-2019.3-0
intelpython3_full  intel/win-64::intelpython3_full-2019.3-0
kiwisolver         intel/win-64::kiwisolver-1.0.1-py36_2
libpng             intel/win-64::libpng-1.6.36-vc14_2
llvmlite           intel/win-64::llvmlite-0.27.1-py36_0
matplotlib         intel/win-64::matplotlib-3.0.1-py36_1
menuinst           intel/win-64::menuinst-1.4.1-py36_6
mkl                intel/win-64::mkl-2019.3-intel_203
mkl-service        intel/win-64::mkl-service-1.0.0-py36_7
mkl_fft            intel/win-64::mkl_fft-1.0.11-py36h7b7c402_0
mkl_random         intel/win-64::mkl_random-1.0.2-py36h7b7c402_4
mpi4py             intel/win-64::mpi4py-3.0.0-py36_3
numba              intel/win-64::numba-0.42.1-np116py36_0
numexpr            intel/win-64::numexpr-2.6.8-py36_2
numpy              intel/win-64::numpy-1.16.1-py36h7b7c402_3
numpy-base         intel/win-64::numpy-base-1.16.1-py36_3
openssl            intel/win-64::openssl-1.0.2r-vc14_0
pandas             intel/win-64::pandas-0.24.1-py36_3
pip                intel/win-64::pip-10.0.1-py36_0
pycosat            intel/win-64::pycosat-0.6.3-py36_3
pycparser          intel/win-64::pycparser-2.18-py36_2
pyopenssl          intel/win-64::pyopenssl-17.5.0-py36_2
pyparsing          intel/win-64::pyparsing-2.2.0-py36_2
pysocks            intel/win-64::pysocks-1.6.7-py36_1
python             intel/win-64::python-3.6.8-6
python-dateutil    intel/win-64::python-dateutil-2.6.0-py36_12
pytz               intel/win-64::pytz-2018.4-py36_3
pyyaml             intel/win-64::pyyaml-4.1-py36_3
requests           intel/win-64::requests-2.20.1-py36_1
ruamel_yaml        intel/win-64::ruamel_yaml-0.11.14-py36_4
scikit-learn       intel/win-64::scikit-learn-0.20.2-py36h7b7c402_2
scipy              intel/win-64::scipy-1.2.0-py36_3
setuptools         intel/win-64::setuptools-39.0.1-py36_0
six                intel/win-64::six-1.11.0-py36_3
sqlite             intel/win-64::sqlite-3.27.2-vc14_2
tbb                intel/win-64::tbb-2019.4-vc14_intel_203
tbb4py             intel/win-64::tbb4py-2019.4-py36_intel_0
tcl                intel/win-64::tcl-8.6.4-vc14_22
tk                 intel/win-64::tk-8.6.4-vc14_28
urllib3            intel/win-64::urllib3-1.24.1-py36_2
vc                 intel/win-64::vc-14.0-2
vs2015_runtime     intel/win-64::vs2015_runtime-14.0.25420-intel_2
wheel              intel/win-64::wheel-0.31.0-py36_3
win_inet_pton      intel/win-64::win_inet_pton-1.0.1-py36_4
wincertstore       intel/win-64::wincertstore-0.2-py36_3
xz                 intel/win-64::xz-5.2.3-vc14_2
zlib               intel/win-64::zlib-1.2.11-vc14h21ff451_5

你可以看到，对于每个库，都以“Intel/…”开头，这表示正在从Intel的发行渠道下载该库。一旦你同意安装这些库，就会开始下载和安装它们。

这一步是会出现一个问题。有时，这些库不会被下载，列表会往下走，或者出现SSL错误，然后命令退出。这个问题甚至可能被延迟，也就是说，现在所有东西都将被下载和安装，但是稍后如果你想添加任何新的库，提示符将抛出SSL错误。有一个方式可以简单的修复这个问题，为英特尔创建虚拟环境之前需要完成。

在你的shell或命令提示符中，通过下面的命令关闭anaconda的默认SSL验证

conda config --set ssl_verify false

一旦关闭了SLL验证，你可以重复步骤2，删除之前创建的环境并重新启动。

3) 设置TensorFlow

恭喜你！！现在，你已经在电脑中设置了Intel的python发行版。现在是进入ML pipeline的时候了。

英特尔已经通过所有的发行版为tensorflow提供了优化，设置起来非常顺利。(https://software.intel.com/en-us/ai/frameworks/tensorflow)。让我们看看如何为CPU安装优化过的tensorflow。英特尔软件提供了一个优化的数学内核库(mkl)，优化数学操作，并为用户提供所需的加速。因此，我们将按如下方式安装tensorflow-mkl。

conda install tensorflow-mkl

或者使用pip，可以将其设置为如下所示。

pip install intel-tensorflow

Tensorflow现在已经启动并在你的系统中运行，并进行了必要的优化。如果你是Keras的粉丝，你可以用一个简单的命令来设置它:-

conda install keras -c intel

4) 设置Jupyter

由于我们创建了一个新的虚拟环境，但它不是spyder或jupyter notebooks的默认环境。然而，设置这些是很简单的。只要一行命令，我们就能做到。

conda install jupyter -c intel

5) 激活环境开始做实验

既然我们已经设置好了所有的东西，现在是动手的时候了，我们开始在优化的CPU系统上编写代码并尝试各种ML和DL方法。首先，在执行任何代码之前，确保使用了正确的环境。在使用安装在虚拟环境中的库之前，需要激活虚拟环境。这个激活步骤是一个永久的过程，并且是毫不费力的。在anaconda提示符中编写以下命令，就可以开始了。

conda activate intel

要对环境进行全面检查，在激活环境后，在命令提示符/shell中键入以下命令。

python

输入python后按enter，命令提示符中应该出现以下文本。确保显示的是“Intel Corporation”，并显示“Intel(R) Distribution for Python is brought to you by Intel Corporation.”。这些验证了英特尔Python发行版的正确安装。

Python 3.6.8 |Intel Corporation| (default, Feb 27 2019, 19:55:17) [MSC v.1900 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
Intel(R) Distribution for Python is brought to you by Intel Corporation.
Please check out: https://software.intel.com/en-us/python-distribution

现在，你可以使用命令行进行试验，或者在其他地方编写脚本来运行。

(intel) C:\Users\User>python script.py

通过以下步骤1到4，使你的系统具备上面的性能基准图中提到的Intel xyz级别。这些仍然不是基于多处理器的线程优化。我将在下面讨论如何进一步优化你的多核CPU。

多核优化

要为你的多核系统添加进一步的优化，你可以将以下代码行添加到.py文件中，它将相应地执行脚本。这里NUMPARALLELEXEC_UNITS表示内核的数量，我有一个四核i7，因此这个数字是4。

from keras import backend as K
import tensorflow as tf
NUM_PARALLEL_EXEC_UNITS = 4
config = tf.ConfigProto(intra_op_parallelism_threads=NUM_PARALLEL_EXEC_UNITS, inter_op_parallelism_threads=2,
                       allow_soft_placement=True, device_count={'CPU': NUM_PARALLEL_EXEC_UNITS})
session = tf.Session(config=config)
K.set_session(session)
os.environ["OMP_NUM_THREADS"] = "4"
os.environ["KMP_BLOCKTIME"] = "30"
os.environ["KMP_SETTINGS"] = "1"
os.environ["KMP_AFFINITY"] = "granularity=fine,verbose,compact,1,0"

如果你不喜欢使用Keras而更喜欢使用tensorflow，那么脚本几乎保持不变，只需删除以下两行。

from keras import backend as K
K.set_session(session)

在你的代码中添加了这些行之后，应该可以达到上面性能图表中的Intel xyz(O)条目相当的性能。

如果你的系统中有GPU，并且它与当前库集冲突，或者抛出一个cudnn错误，那么你可以在代码中添加以下行来禁用GPU。

os.environ["CUDA_VISIBLE_DEVICES"] = "-1"

总结

现在你已经有了一个用于测试和开发机器学习项目和思想的优化pipeline。这一渠道为学生提供了大量的机会，让他们参与到学术研究中，用他们所拥有的资源继续他们的工作。这条pipeline还将防止从业者的私有数据的隐私泄露问题。

同样值得注意的是，通过适当的微调，一个人可以在他们的工作流程中获得3.45倍的加速，这意味着如果你正在试验你的想法，你现在可以比以前快三倍。

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~