本文介绍了如何利用GPU加速Keras的深度学习训练。首先解释了GPU在处理深度学习任务上的优势，然后详细阐述了安装CUDA和cuDNN的步骤，包括选择合适的CUDA版本、安装过程以及设置环境变量。此外，还提到了创建虚拟环境的重要性，以及在虚拟环境中安装TensorFlow-GPU和Keras的流程。最后，通过运行测试确认GPU调用成功。
在刚入坑机器学习时，书上所使用的算法(回归、决策树等)及实例较为简单，一般CPU(中央处理器)的计算能力均能胜任，从而快速实现。但若使用keras(一种基于深度学习框架的高级应用接口)进行深度学习，利用海量的数据反复训练神经网络中成百上千万个参数时，CPU显得捉襟见肘，需要GPU(图形处理器)来实现加速训练。
为什么GPU在深度学习中比CPU更快呢？这是由于两者的设计不同，CPU由专为串行处理而优化的几个部件组成，拥有少量的算术逻辑单元，主要针对不同任务的管理与协调；而GPU则拥有数以千计个算术逻辑单元组成的并行计算架构，专为庞杂而繁重的计算任务而设计。
简单的理解，当对一组数据反复执行同一种计算任务时，GPU更合适，而对同一组数据执行多种不同的任务时，CPU更合适。
以本渣渣的实际经验来看，使用GTX970(CUDA1600个)训练2万个样本的卷积神经网络将比A10处理器快20-30倍(视batchsize大小而定)。
1.安装CUDA及cuDNN
GPU加速器于2007年由NVIDIA率先推出，CUDA(Compute Unified Device Architecture)是使GPU能够解决复杂计算问题的并行架构，它包含了CUDA指令集以及并行计算引擎。现在，该架构已应用于GeForce、ION、Quadro以及Tesla等多款产品上，相比AMD而言，支持GPU加速的NVIDIA显卡品种繁多。
因此想要用GPU加速的话基本只要确定显卡是不是NVIDIA品牌的就可以了，当然如果型号过于老旧还是不太确定的话可以前往官网(https://developer.nvidia.co
最低0.47元/天 解锁文章
528
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
