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.