Архитектуры и бенчмарки — 2. Тесты

Для сравнения создадим три варианта среды, раз:

conda create -n tfeigen
conda install -n tfeigen tensorflow-eigen

и, аналогично, среды tfmkl и tfgpu с установкой, соответственно, tensorflow-mkl и tensorflow-gpu.

Для тестирования используется достаточно общая и легко воспроизводимая задача глубокого обучения — тренировка свёрточной сети на наборе данных Cifar-10 (распознавание цифр). Скачиваем:

git clone https://github.com/tensorflow/models.git

В директории:

cd models/tutorials/image/cifar10

активируем нужную среду:

source activate tfeigen

и запускаем тест:

python cifar10_train.py

Аналогично для tfmkl и tfgpu. Смотрим на скорость обучения. В качестве сравнительной метрики возьмём среднее количество обрабатываемых экземпляров изображений в секунду.

Оригинал: VK.com

P.S. Тут, конечно, ошибка. Cifar-10 — не распознавание цифр, а общий набор из 60 тысяч картинок 32×32 в 10 классах (животные, транспорт). Это у меня в голове был MNIST, с которым я перед тем возился.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *