使用GPU 训练Tensorflow/Keras 的CNN模型

最新推荐文章于 2024-06-01 11:57:29 发布
最新推荐文章于 2024-06-01 11:57:29 发布
阅读量2w 收藏 27
点赞数 2
分类专栏： python 文章标签： GPU CUDA cuDNN keras
By Zen. 行行皆辛苦，三连必须有！
本文链接：https://blog.csdn.net/xiaozisheng2008_/article/details/80558914
版权

关键词：Kaggle 猫狗大赛，MX510 GPU， 联想潮7000， Win10， NVIDA显卡

之前写了一个猫狗识别的CNN模型，利用笔记本进行训练，每次都需要好久，基本每个epoch要5分钟左右，来来回回改改参数，每次都要等漫长的时间。于是在找怎么利用GPU进行训练。

1. 电脑的显卡是NVIDA MX510， 可以支持CUDA，要使用tensorflow-gpu版本，需要安装CUDA9.0，下载之后直接安装，可能有2个patch可以下载，但是patch 1装不上，patch 2 可以，不影响。


2. 下载cuDNN并安装，需要注册一下，下载后解压，将文件复制到CUDA的安装目录。

这是cuDNN解压后的文件


复制到这里


了解本专栏 订阅专栏 解锁全文 超级会员免费看
boldyoungster
关注
  • 2
    点赞
  • 踩
  • 27
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
Tensorflow实现卷积神经网络，用于人脸关键点识别
thriving_fcl的博客
03-16 4万+
菜鸟如何用tensorflow实现一个卷积神经网络来识别人脸关键点
Deep Learning-TensorFlow (10) CNN卷积神经网络_ TFLearn 快速搭建深度学习模型
DiamonJoy
04-10 7163
TFLearn 是一个构建在 TensorFlow 之上的模块化和透明的深度学习库。它为 TensorFlow 提供高层次 API，目的是便于快速搭建试验环境，同时保持对 TensorFlow 的完全透明和兼容性。
使用GPU训练Tensorflow/Keras 的CNN模型
yiyayiya557的博客
05-07 1458
参考文章： 使用GPU 训练Tensorflow/Keras 的CNN模型 https://blog.csdn.net/xiaozisheng2008_/article/details/80558914 tensorflow显存管理、tensorflow使用多个gpu训练 https://blog.csdn.net/liulina603/article/details/80180355 ...
手把手教大家如何使用Kaggle平台的免费GPU资源跑深度学习模型
最新发布
jiabiao1602的专栏
06-01 4238
手把手教大家如何使用Kaggle平台的免费GPU资源跑深度学习模型，包括平台介绍、注册遇到问题处理、登录后如何申请GPU资源、打开Jupyter Notebook及跑深度学习模型。
猫狗识别基于tensorflow2.0 GPU版 自建CNN模型
wmoxie的博客
06-01 776
基于tensorflow2.0 GPU版 自建CNN模型 1. 导入库 import tensorflow as tf from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense from tensorflow.keras.models import Sequential, load_model from tensorflow.keras import optimizers from tensorflow.keras.pr
tensorflow在训练模型的时候如何指定GPU进行训练
pan15125284的博客
02-20 943
2.通过CUDA_VISIBLE_DEVICES来指定. 同样使用第2块GPU来训练模型，我们可以在我们的python代码中加入： import os os.environ['CUDA_VISIBLE_DEVICES']='2' 实验效果如下： 我们可以看到，在训练模型的时候，使用了第2块GPU，并且其它几块GPU也没有被占，这种就相当于在我们运行程序的时候，将除第2块以外的GPU全部屏...
TensorFlow+Keras深度学习人工智能实践应用（源代码与数据集）
12-10
TensorFlow和Keras是当前深度学习领域最为流行的开源框架，它们结合使用可以极大地简化模型构建、训练和部署的过程。 首先，TensorFlow是由Google开发的一个强大的机器学习库，它支持高性能的数值计算。其核心是...
使用python+tensorflow 2实现了CNN经典模型AlexNet
10-05
**使用Python + TensorFlow 2 实现CNN经典模型AlexNet** 卷积神经网络（Convolutional Neural Networks，简称CNN）在图像识别与计算机视觉领域扮演着重要角色，而AlexNet是CNN发展史上的一个里程碑，它在2012年的...
神经网络【Tensorflow &Keras】
04-10
Keras的API简洁明了，使得构建复杂的神经网络模型变得简单，同时也支持模型并行和多GPU训练。 在神经网络的实现中，TensorFlow和Keras可以结合使用。Keras的高层次抽象能够快速构建模型，而TensorFlow则负责底层的...
深度学习使用Tensorflow和Keras对本地数据集进行图像分类以及性能调优
11-17
- 使用GPU加速：TensorFlow可以充分利用GPU的并行计算能力，显著提高训练速度。确保正确配置CUDA和cuDNN库。 - 批量归一化：在每一层之后添加批量归一化层，可以加速收敛并提高模型的泛化能力。 - 模型剪枝和量化...
基于Mask R-CNN，实现显微矿物图像的检测与分割，使用tensorflow+keras实现.zip
03-30
- 训练与验证：使用训练集和验证集对模型进行迭代训练，并监控性能指标。 - 模型保存与加载：训练完成后，模型权重会被保存以便后续使用或继续训练。 6. **后处理与应用**： - 分割结果的后处理：对预测的掩模...
tensorflow2.5.0-GPU测试工程
07-27
在ubuntu16.04上编译好tensorflow2.5.0-GPU；使用的是RTX 2060 Super测试多张图片；比TF-CPU加速很多。
tensorflow下编写CNN网络的框架
06-08
Windows下tensorflow-GPU-1.8的python下的CNN模板，内置的lenet-5模型，我特意把它修改成很容易换成别的网络模型，我是在官网的cifar-10代码的基础上进行改动，里面写了详细的中文注释，我还加上了获取混淆矩阵和分类错误图片的路径的功能，更加方便分析模型性能。
keras实现多GPU或指定GPU的使用介绍
12-17
1. keras新版本中加入多GPU并行使用的函数 下面程序段即可实现一个或多个GPU加速： 注意：使用多GPU加速时，Keras版本必须是Keras2.0.9以上版本 from keras.utils.training_utils import multi_gpu_model #导入keras多GPU函数 import VGG19 #导入已经写好的函数模型，例如VGG19 if G <= 1: print("[INFO] training with 1 GPU...") model = VGG19（） # otherwise, we are compiling using m
关于GPU下tensorflow加速CNN的运行操作步骤
qq_31648921的博客
12-01 990
1，已按照https://blog.csdn.net/qq_31648921/article/details/96426915 安装好GPU加速相关组件 2，创建好了envs 3,具体的操作步骤：
tensorflow入门项目（二）：手写数字识别之CNN模型（详解）
qq_42847843的博客
12-19 1069
前言 在做实战项目时，最好有一定的基础。个人觉得吴恩达的视频讲解的很好，可以看一下打个基础。 内容 附上代码以及详细解析 import tensorflow as tf import numpy as np from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets('E...
［超级详细］如何在深度学习训练模型过程中使用GPU加速
热门推荐
我不会写代码
05-12 1万+
在深度学习当中，我们训练模型通常要对模型进行反复的优化训练，仅用CPU来进行训练的话需要花费很长时间，但是我们可以使用GPU来加速训练模型，这样就可以大大减少我们训练模型花费的时间。
Faster RCNN - Tensorflow实现以及训练自己的数据 — GPU版（排坑）
Pngyng的博客
04-29 3011
转载请注明： 参考： GPU坑：https://blog.csdn.net/hongxingabc/article/details/79048531 GPU： 1.Environment 创建环境 Centos7 CUDA：0.9 CUDNN：7.3.1 TeslaP100：sm_60 conda create --name tensorflow-gpu python=3.6 conda inst...
使用GPU加速TensorFlow机器学习
架构师学习成长之路
04-07 6144
    在Thinkpad X260上运行一个CNN图像分类的样例程序时，发现速度特别慢，迭代一轮要将近5分钟，那么迭代200轮需要1000分钟，16个小时！在看到TensorFlow相关的书籍时，总是提到GPU加速，对于这样的问题，应该能派上用场吧。TensorFlow目前只支持NVIDIA显卡，笔者手头没有，阿里云上有GPU计算型ECS，便“按量付费”买了一台，开始了一场“坎坷小贵”的验证之旅...
使用tensorflow训练目标分割模型
06-11
使用 TensorFlow 训练目标分割模型需要以下步骤： 1. 准备数据集：目标分割需要一些带有分割标记的图像作为训练数据。可以使用现有的数据集（如 COCO、PASCAL VOC 等），或者自己创建数据集。 2. 定义模型：选择一个现有的目标分割模型，如 Mask R-CNN、U-Net、DeepLab 等，并将其实现为 TensorFlow 模型。 3. 配置训练环境：安装 TensorFlow、CUDA 和 cuDNN，配置好 Python 环境和 GPU。 4. 数据预处理：对训练数据进行预处理，如裁剪、缩放、归一化等。可以使用 TensorFlow 的数据预处理 API（如 `tf.image` 模块）。 5. 创建数据输入管道：使用 TensorFlow 的数据输入管道 API（如 `tf.data` 模块）读取预处理后的数据，并将其转换为 TensorFlow 的数据格式（如 `tf.Tensor` 或 `tf.data.Dataset`）。 6. 训练模型：使用 TensorFlow 的训练 API（如 `tf.keras` 模块）对模型进行训练。可以使用现有的训练脚本（如 TensorFlow 官方提供的 mask_rcnn_demo，或第三方实现的训练脚本），也可以自己编写训练脚本。 7. 评估模型：使用测试数据集对模型进行评估，计算模型的精度、召回率、F1 值等指标。 8. 微调模型：根据评估结果对模型进行微调，如调整超参数、调整模型结构等。 9. 导出模型：将训练好的模型导出为 TensorFlow SavedModel 格式，以便后续部署和推理。 整个训练过程需要花费大量的时间和计算资源，但 TensorFlow 提供了许多工具和 API，使得整个过程变得更加简单和高效。建议在进行目标分割模型训练之前，先学习 TensorFlow 的基础知识和常用 API，以便更好地理解和使用 TensorFlow。
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

打赏作者

boldyoungster

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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