这是一个创建于 1922 天前的主题，其中的信息可能已经有所发展或是发改变。
一个机器学习小作业 mnist 数据集上的一个小模型 同样的代码在 titan rtx 的服务器上要跑 2min 我用自己 i9 9980 的 MacBook Pro 只需要 1:35
在同学 1650 的笔记本上用 cuda 只跑了 1:28
十分疑惑 求大佬解释
在同学 1650 的笔记本上用 cuda 只跑了 1:28
十分疑惑 求大佬解释
 | 1 ztyMCR 2020 年 10 月 19 日 两分钟真的看的出啥来吗，是不是 GPU 没启用 |
 | 3 csunny 2020 年 10 月 19 日 看看运行时的负载呢 |
 | 5 minami 2020 年 10 月 19 日 GPU 调用是异步的，可能是计时不准的原因。建议加入取回 CPU 的操作，保证 GPU 上任务计算完毕 |
 | 6 Porphet 2020 年 10 月 19 日 如果显存几乎占满了，50w 的负载，原因可能是模型设计的问题。如果没满，可以尝试提高 batch_size |
| 8 Porphet 2020 年 10 月 19 日 模型设计问题有可能是没有及时 backward，导致大量的计算图被暂时存储起来没有 backward，也就不能及时释放 |
 | 12 different 2020 年 10 月 19 日 via Android 如 5 楼所示，可能 GPU 并行数据量太少了，大部分时间都在 cpu_gpu 交互或者 cpu 串行时间过长。 你的服务器 cpu 可能主频较低，服务器 cpu 一般都不超过 2.5GHz 。服务器 cpu 主频一般随着核心数的增多，主频会稍微下降，大部分在 2.2GHz 以下。 为了凸现 gpu 的优势，缩小 cpu 差距，你可能需要增大在 GPU 并行的数据量。不知道和楼上说的 batch size 是否同一个意思。 |
 | 13 Escapist367 2020 年 10 月 19 日 代码发出来看看 很可能是读取数据和加载模型的时间占了总耗时的大部分 高主频+SSD 的个人电脑在读数据和加载模型上相对于服务器有巨大优势 |
 | 14 WeiJoseph OP @minami @Porphet @different @Escapist367 今晚拉大 batch_size 虽然占用的显存还是只有 1G 但是终于运算速度终于大幅度超过 cpu 了 看来是我之前 batch_size 设置的太小了 不过 batch_size 拉大以后训练效果就下降了 综合下来还是感觉这个小模型和小数据集根本不需要服务器来跑 感谢大家 |
 | 15 kickcellardoor 2021 年 1 月 20 日 @WeiJoseph 加 batchsize 的同时一般要同比例地提高 learning rate，加 batchsize 一般是不会有负面作用的。不过 mnist 是用不着服务器（ |
Select Language