*本人用的是 lenovo小新銳7000筆記本，cpu是intel -core -i5-7300q
四核，記憶體4g，機械硬碟320g，雙顯示卡，整合intel® hd graphics630
獨顯 geforce gtx 1050，這塊顯示卡位寬128bit, 視訊記憶體2g,有640個cuda核心。
##系統環境：
win7下，安裝anaconda3, 之後安裝python3.6 , cuda9.0,cudnn9.0 tensorflow1.14.0, pycharm專業版 ，訓練該資料集用了兩層的卷積神經網路，訓練2萬步，在不開啟gpu加速的情況下用時59分06秒;切換到gpu虛擬環境下用時5分12秒。看來沒有gpu，實踐深度學習確實有難度呀。
附**如下：
*
//import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.variable(initial)
def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.variable(initial)
def conv2d(x, w):
return tf.nn.conv2d(x, w, strides=[1, 1, 1, 1], padding='same')
def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
strides=[1, 2, 2, 1], padding='same')
if __name__ == '__main__':
# 讀入資料
mnist = input_data.read_data_sets("mnist_data/", one_hot=true)
# x為訓練影象的佔位符、y_為訓練影象標籤的佔位符
x = tf.placeholder(tf.float32, [none, 784])
y_ = tf.placeholder(tf.float32, [none, 10])
# 將單張從784維向量重新還原為28x28的矩陣
x_image = tf.reshape(x, [-1, 28, 28, 1])
# 第一層卷積層
w_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])
h_conv1 = tf.nn.relu(conv2d(x_image, w_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)
# 第二層卷積層
w_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, w_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)
# 全連線層，輸出為1024維的向量
w_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2, [-1, 7 * 7 * 64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, w_fc1) + b_fc1)
# 使用dropout，keep_prob是乙個佔位符，訓練時為0.5，測試時為1
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
# 把1024維的向量轉換成10維，對應10個類別
w_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
y_conv = tf.matmul(h_fc1_drop, w_fc2) + b_fc2
# 我們不採用先softmax再計算交叉熵的方法，而是直接用tf.nn.softmax_cross_entropy_with_logits直接計算
cross_entropy = tf.reduce_mean(
tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y_conv))
# 同樣定義train_step
train_step = tf.train.adamoptimizer(1e-4).minimize(cross_entropy)
# 定義測試的準確率
correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
# 建立session和變數初始化
sess = tf.interactivesession()
sess.run(tf.global_variables_initializer())
# 訓練20000步
for i in range(20000):
batch = mnist.train.next_batch(50)
# 每100步報告一次在驗證集上的準確度
if i % 100 == 0:
train_accuracy = accuracy.eval(feed_dict=)
print("step %d, training accuracy %g" % (i, train_accuracy))
train_step.run(feed_dict=)
# 訓練結束後報告在測試集上的準確度
print("test accuracy %g" % accuracy.eval(feed_dict=))
python深度學習 卷積神經網路（mnist）
import numpy as np import pandas as pd import matplotlib.pyplot as plt import pylab from pandas import dataframe,series from keras import models,layer...
深度學習GPU執行環境的檢視和設定
使用nvidia smi來查詢gpu資訊 nvidia smi是乙個命令列工具，可以幫助你管理操作gpu device，並且允許你查詢和更改device狀態。在windows命令提示符中輸入cd c program files nvidia corporation nvsmi，再輸入nvidia s...
教你如何挑選深度學習GPU
即將進入 2018 年，隨著硬體的更新換代，越來越多的機器學習從業者又開始面臨選擇 gpu 的難題。正如我們所知，機器學習的成功與否很大程度上取決於硬體的承載能力。在今年 5 月，我在組裝自己的深度學習機器時對市面上的所有 gpu 進行了評測。而在本文中，我們將更加深入地 gpu 深度學習 深度學習...