windows10环境下 tensorflow-gpu 1.9.0 使用gpu和cpu进行训练神经网络时间对比

好不容易配好了tensorflow-gpu的环境，当然要试试使用gpu到底比用cpu快多少啦。在跑程序之前，我们先要知道程序所能调用的设备信息，在spyder中使用以下代码即可，当然其他编辑器也是可以的。

from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())　

输入代码后，我自己的机子得到的结果如下，这个输出结果显示我能够调用的设备有两个，一个cpu，一个gpu，还有这个gpu的compute capability为5，也就是说我的这块gtx 950M显卡的计算能力为5。设备编号要记录一下，然后就是速度测试环节。

 

我用来进行测试速度的代码来自于《Python深度学习》这本书，作者是弗朗索瓦·肖莱，这本书我个人觉得非常不错，想要学习深度学习方面的可以看一下，如果没有这方面的经验，建议先从《深度学习入门》，作者是斋藤康毅，开始入手，也就是江湖人称的鱼书。扯远了，说回这段测试代码，这段代码也是非常经典，有接触过深度学习的应该都知道，手写数字的识别，只不过这次还使用了Keras框架，没配好环境的童鞋应该是无法运行这段代码的。接着，上代码。

import tensorflow as tf
from keras.datasets import mnist
from keras import models
from keras import layers
from keras.utils import to_categorical
with tf.device('/cpu:0'):   #选择使用的设备，设备编号之前已经得到
    (train_images,train_labels),(test_images,test_labels)=mnist.load_data()
    network=models.Sequential()
    network.add(layers.Dense(512,activation='relu',input_shape=(28*28,)))
    network.add(layers.Dense(10,activation='softmax'))
    network.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])
    train_images=train_images.reshape((60000,28*28))
    train_images=train_images.astype('float32')/255
    test_images=test_images.reshape((10000,28*28))
    test_images=test_images.astype('float32')/255
    train_labels=to_categorical(train_labels)
    test_labels=to_categorical(test_labels)
    network.fit(train_images,train_labels,epochs=5,batch_size=32)

特别要注意我进行了注释的那一行，那一行就是控制你的电脑选择设备的，gpu:0就是编号为0的gpu，cpu同理。

测试结果如下，先上cpu的运行结果：

每个epoch平均耗时14秒，每个step平均耗时235微秒，这还只是一个两层的神经网络呢，深一点的神经网络还不知道要消耗多少时间！

gpu的运行结果：

这次速度就快了很多，每个epoch平均耗时9秒，每个step平均耗时160微秒 ，相比于cpu的时间消耗平均减少32%，这已经是一个不错的速度了，而且，这还只是一个简单的神经网络，深度只有两层，如果训练的是深度比较大的卷积神经网络，那可能节约的时间会更多，当然那个就留着以后再来测试了，以后可能还会对Linux系统下的cpu和gpu训练神经网络的时间再做个对比，可以持续关注我哦。

ubuntu16.04系统下使用keras框架，cpu和gpu训练bp神经网络时间对比，可以见下面链接：

https://blog.csdn.net/qq_38279908/article/details/88817518

ubuntu16.04系统下使用keras框架，分别使用cpu和gpu训练卷积神经网络时间对比，可以见下面链接：

https://blog.csdn.net/qq_38279908/article/details/88839405