点击上方“AI公园”,关注公众号,选择加“星标“或“置顶”
导读作者:Michael Nguyen
编译:ronghuaiyang
如果你使用CPU进行模型的训练的话,那么这篇文章对你非常有用,你可以通过一行命令的改变,获得非常大的性能的提升。
别再使用pip安装Tensorflow了! 使用conda来代替,如果你不知道conda是什么,它是一个运行跨平台的开源包和环境管理系统。它适用于Mac、Windows和Linux。如果你还没有使用conda,我建议你一开始就使用它,因为它使得管理数据科学工具变得更加有趣。
有两个非常重要的原因,为什么你应该使用conda而不是pip来安装Tensorflow。
更快的CPU性能
conda Tensorflow包利用了用于深度神经网络的Intel Math内核库,或者是从版本1.9.0开始的MKL-DNN。这个库极大地提高了性能。这张图表可以证明这一点!
你可以看到,与pip安装相比,conda安装的性能可以提供8X以上的速度提升。对于仍然经常使用CPU进行训练和推断的人来说,这个非常好。作为一名机器学习工程师,我使用我的CPU在我的代码上进行训练,然后把它放到一个支持GPU的机器上。这种速度的增加将帮助我更快地迭代。当我可以的时候,我也会在CPU上做很多推断,所以这将有助于我的模型的性能。
MKL库不仅加快了Tensorflow包的速度,还加快了其他广泛使用的库的速度,如NumPy、NumpyExr、SciPy和Scikit-Learn!看看如何从下面的链接中进行设置。
GPU版本的简单安装
conda安装将自动安装GPU支持所需的CUDA和CuDNN库。pip的安装需要你手动完成。大家都喜欢一步到位,尤其是下载库的时候。
快速开始
所以我希望这两个原因足够好可以让你改用conda。如果你相信的话,现在就开始了。
如果还没有安装Anaconda或Miniconda。Miniconda只是安装conda和它的依赖性,而Anaconda会为你预先安装很多包。我更喜欢Miniconda。安装conda之后,请尝试以下操作。
如果你想要用GPU的版本,请使用tensorflow-gpu替换tensorflow。
除了使用Tensorflow更快、更简单之外,conda还提供了其他工具集,使其更容易集成到你的工作流中。我最喜欢的是它们的虚拟环境特性。您可以在这里阅读更多关于conda和tensorflow的信息(https://www.anaconda.com/blog/developer-blog/tensorflowinanaconda/)。以及关于MKL优化的更多信息(https://docs.anaconda.com/mkl-optimizations/)。希望这对你有所帮助,并一如既往地感谢你的阅读!
— END—英文原文:https://towardsdatascience.com/stop-installing-tensorflow-using-pip-for-performance-sake-5854f9d9eb0c
更多历史文章请关注公众号,点击“历史文章”获取
请长按或扫描二维码关注本公众号
喜欢的话,请给我个好看吧!