深度学习-caffe在cifar10、mnist数据集cpu、gpu训练速度对比（deepin15.11+caffe+cpu+gpu+cifar10+mnist）

最新推荐文章于 2023-02-05 22:56:20 发布
最新推荐文章于 2023-02-05 22:56:20 发布
阅读量1.7k 收藏
点赞数
分类专栏： 机器学习 # caffe 文章标签： 深度学习 实战 gpu caffe 数据集
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/wangjie5540/article/details/100539524
版权

背景

gpu的训练速度优于cpu，那么到底快多少呢？本博客拿caffe、cifar10做一下测试。

机器配置

系统：deepin 15.11
cpu：i7 7700
内存：32G 2400hz
显卡：gtx1080（中端）

mnist数据集

10000次迭代，使用lenet（lenet_solver.prototxt）。

gpu训练

耗费时间：14s
在这里插入图片描述

cpu训练

08:43:48
耗时 = 17:16:00 - 17:23:39 = 8分钟
在这里插入图片描述

cifar10数据集

迭代5000次，使用caffenet

gpu训练

在这里插入图片描述
耗时19s

cpu训练

08:49:57 - 09:16:19
耗时：27分钟

总结

  • gpu大约是cpu的30-80倍
  • 每次batch的size数据越大，gpu提升的速度更加明显
感性企鹅
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
CIFAR-10数据集比MNIST训练难度高许多
qq_36356761的博客
03-19 5985
CIFAR-10数据集比MNIST训练难度高许多 MNIST数据集几乎很好训练，随便设计一个两层的全连接网络都能达到将近90%的测试精度，加入卷积层后更是可以轻易达到>97%的精度，但是同样的模型用来训练CIFAR-10，训练相同的epoch之后得到的结果却只有10%，只有训练几十个epoch之后测试精度才能达到80%，其间的上升速度简直慢如蜗牛 cifar10数据像素值的取值范围在[0...
tensorflow用CNN实现CIFAR-10图像分类（cpu贼慢）
hiudawn
04-02 2026
用CNN实现CIFAR-10图像分类
训练mnist
u012841667的专栏
11-24 396
1、首先，获取minist的数据包。 这个版本是四个数据包 cd $CAFFE_ROOT ./data/mnist/get_mnist.sh 2、然后执行 ./examples/mnist/create_mnist.sh create_mnist.sh是利用caffe-master/build/examples/mnist/的convert_mnist_d
win10环境下cpu版本caffe训练mnist数据集的心得 openmv机器学习卷积神经网络训练步骤二
qq_39789508的博客
08-21 1475
win10环境下cpu版本caffe训练mnist数据集的心得 openmv机器学习卷积神经网络训练步骤二 Caffe快速上手 mnist数据集分类 1.下载数据集 yann.lecun.com/exdb/mnist/ （网络要求高，另附以下下载方式） 链接：https://pan.baidu.com/s/1ADDhMGx5QBYydY84G7dshw 提取码：4f74 将所下载的4个（压缩...
神经网络之MNIST数据集和CIFAR-10数据集训练
y459541195的博客
12-09 3589
环境：pycharm + win10 + conda3 + python3.6 1.构建前馈神经网络训练MNIST 首先创建一个神经网络类NeuralNetwork： import numpy as np #定义一个神经网络类 class NeuralNetwork: #初始化参数 def __init__(self,layers,alpha=0.1): self....
cifar-10-binary.tar.gz数据集
03-14
CIFAR-10二进制数据集（cifar-10-binary.tar.gz）是深度学习领域常用的图像识别数据集，特别适用于训练和测试各种计算机视觉模型，如卷积神经网络（CNN）。这个数据集由Caffe框架所采用，便于进行分类任务的实践和...
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）
05-16
分享一套深度学习课程——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）
深度学习Caffe框架实战剖析视频教程（深度学习、机器学习、LeNet-5模型、MNIST数据集、CNN）
12-06
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...
yolo-基于caffe的mobilenetv2+yolov3的实现-达到实时检测-附完整源码+教程.zip
最新发布
01-26
在本项目中，Caffe被用来构建和训练YOLO模型，这包括加载数据集、定义网络结构、执行前向传播和反向传播，以及模型的优化。 **MobileNetV2**： MobileNetV2是Google提出的轻量级卷积神经网络架构，设计用于移动设备...
caffe-cifar100数据集
12-26
使用转换后的LMDB数据集，用户可以轻松地在Caffe中构建和训练深度学习模型，对CIFAR-100数据集进行图像分类任务。这对于研究和开发新的卷积神经网络架构或比较不同方法的性能非常有用。 总之，这个压缩包提供的...
lenet-5训练MNIST
03-12
这个资源使用实现lenet-5的网络结构来MNIST数据集，代码参考了UFLDL上的相关的代码，以及R. B. Palm实现的CNN中的相关代码，为了适应数据集我把lenet-5输入的大小改为了28*28，c3的每一张特征图都与s4的每一张特征图相关，训练的结果可以达到99.1%
深度学习训练模型过程记录-GPU与CPU对训练集速度的区别(1050ti)
MMMMMMNONG的博客
10-30 980
对比有无CPU与GPU的效果
（学习笔记01）MNIST手写数字的识别（tensorflow + CPU）
要多喝牛奶才能变成巨人
03-13 1000
MNIST手写数字的识别 本节将学习机器学习的分类开发应用，即MNIST手写数字的识别。对此，我们通过建立一个两层神经网络的模型来用于预测图片里面的数字。 MNIST数据集介绍 MNIST是一个非常有名的手写体数字识别数据集，由60000个训练样本和10000个测试样本组成，每个样本都是一张28像素 × 28像素的灰度图像(1通道)，各个像素的取值在0到255之间。每个图像数据都相应地标有“1”“2”“3”等标签，如下图所示。 更多MNIST数据集的详细介绍可参考：MNIST数据集介绍 下载数据集： M
有无GPU运行深度学习mnist数据集时间对比
qq_39000411的博客
10-29 4250
#硬件配置 *本人用的是 lenovo小新锐7000笔记本，cpu是intel -core -i5-7300Q 四核，内存4G，机械硬盘320G，双显卡，集成intel® HD Graphics630 独显 GeForce GTX 1050，这块显卡位宽128bit, 显存2G,有640个cuda核心。 ##系统环境： win7下，安装Anaconda3, 之后安装Python3.6 , Cuda...
机器学习CIFAR10训练（卷积神经网络）
m0_68881011的博客
02-05 657
机器学习初学者的实战项目
pytorch搭建的cnn，训练mnist数据集【实测成功】
weixin_41529093的博客
12-19 1374
仅作为记录，大佬请跳过。 文章目录前言直接上代码（可直接运行）gpu版本代码（电脑里配置好gpu的可直接运行）gpu代码 博主这一次运行代码，感受到了gpu跑程序的魅力： pytorch的cnn训练mnist数据集5次，cpu跑用了2分59秒，相同的程序相同的数据gpu跑用了19秒 前言 准备工作： 博主将mnist数据集从官网下载到了电脑，然后用pytorch直接读取。 （具体方法可参考博主文章传送门） 直接上代码（可直接运行） import torch import torch.nn as nn im
Caffe CPU训练模型
wjx2012yt的博客
07-30 1945
caffe在cpu模式下训练数据可能用到的问题及解决方案。
深度学习 pytorch cifar10数据集训练
Lightismore的博客
04-25 1156
1.加载数据集，并对数据集进行增强，类型转换 官网cifar10数据集 附链接：https://www.cs.toronto.edu/~kriz/cifar.html 读取数据过程中，可以改变batch_size和num_workers来加快训练速度 transform=transforms.Compose([ #图像增强 transforms.Resize(120), transforms.RandomHorizontalFlip(),
神经网络训练时间计算实例：二分类minst0，7
staple
01-31 3824
用神经网络分类minst的0和7，通过拟合迭代次数曲线n（δ）和准确率曲线p-max（δ），估算得到准确率可以达到0.999网络的训练时间。 实验用minst数据集，将28*28的图片缩小到9*9，网络用一个3*3的卷积核，网络结构是81*49*30*2，画成图   这个网络由两部分组成，左右两边分别向1,0和0,1收敛，左边输入minst的0，右边输入minst的7，让左右两个网络的权...

“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