Intro

Kaggle提供免费访问内核中的NVidia K80 GPU。该基准测试表明，在深度学习模型的训练过程中，为您的内核启用GPU可实现12.5倍的加速。
这个内核是用GPU运行的。我将运行时间与在CPU上训练相同模​​型内核的运行时间进行比较。
GPU的总运行时间为994秒。仅具有CPU的内核的总运行时间为13,419秒。这是一个12.5倍的加速（只有一个CPU的总运行时间是13.5倍）。
将比较仅限于模型训练，我们看到CPU从13,378秒减少到GPU的950秒。因此，模型训练加速有点超过13倍。
确切的加速度取决于许多因素，包括模型架构，批量大小，输入管道复杂性等。也就是说，GPU在Kaggle内核中开辟了很多可能性。
如果您想将这些GPU用于深度学习项目，您可能会发现我们的深度学习课程是最快速的路径，以便您可以运行自己的项目。我们还在我们的数据集平台上添加了新的图像处理数据集，我们总是有许多竞赛让您使用这些免费的GPU来尝试新的想法。

以下文本显示了如何启用GPU并提供有关基准测试的详细信息。

Adding a GPU

我们通过首先打开内核控件来设置此内核以在GPU上运行。

 

选择“设置”项卡。 然后选中启用GPU的复选框。 验证GPU是否已连接到控制台栏中的内核，它应在资源使用情况指标旁边显示GPU ON。

 

GPU支持的实例具有较少的CPU功率和RAM。 而且，许多数据科学库无法利用GPU。 因此，GPU对某些任务很有价值（特别是在使用TensorFlow，Keras和PyTorch等深度学习库时）。 但是对于大多数其他任务而言，如果没有GPU，你会更好。

The data

该数据集包含美国手语中29种不同符号的图像。 这些是26个字母（A到Z）加上空格，删除和无标记。 我们的模型将查看这些图像，并学习如何对每张图像中的符号进行分类。

以下示例图片

[1]

# Imports for Deep Learning from keras.layers import Conv2D, Dense, Dropout, Flatten from keras.models import Sequential from keras.preprocessing.image import ImageDataGenerator# ensure consistency across runs from numpy.random import seed seed(1) from tensorflow import set_random_seed set_random_seed(2)# Imports to view data import cv2 from glob import glob from matplotlib import pyplot as plt from numpy import floor import randomdef plot_three_samples(letter):print("Samples images for letter " + letter)base_path = '../input/asl_alphabet_train/asl_alphabet_train/'img_path = base_path + letter + '/**'path_contents = glob(img_path)plt.figure(figsize=(16,16))imgs = random.sample(path_contents, 3)plt.subplot(131)plt.imshow(cv2.imread(imgs[0]))plt.subplot(132)plt.imshow(cv2.imread(imgs[1]))plt.subplot(133)plt.imshow(cv2.imread(imgs[2]))returnplot_three_samples('A') Samples images for letter B

Data Processing Set-Up

[3]

data_dir = "../input/asl_alphabet_train/asl_alphabet_train" target_size = (64, 64) target_dims = (64, 64, 3) # add channel for RGB n_classes = 29 val_frac = 0.1 batch_size = 64data_augmentor = ImageDataGenerator(samplewise_center=True, samplewise_std_normalization=True, validation_split=val_frac)train_generator = data_augmentor.flow_from_directory(data_dir, target_size=target_size, batch_size=batch_size, shuffle=True, subset="training") val_generator = data_augmentor.flow_from_directory(data_dir, target_size=target_size, batch_size=batch_size, subset="validation")

Model Specification

[4]

my_model = Sequential() my_model.add(Conv2D(64, kernel_size=4, strides=1, activation='relu', input_shape=target_dims)) my_model.add(Conv2D(64, kernel_size=4, strides=2, activation='relu')) my_model.add(Dropout(0.5)) my_model.add(Conv2D(128, kernel_size=4, strides=1, activation='relu')) my_model.add(Conv2D(128, kernel_size=4, strides=2, activation='relu')) my_model.add(Dropout(0.5)) my_model.add(Conv2D(256, kernel_size=4, strides=1, activation='relu')) my_model.add(Conv2D(256, kernel_size=4, strides=2, activation='relu')) my_model.add(Flatten()) my_model.add(Dropout(0.5)) my_model.add(Dense(512, activation='relu')) my_model.add(Dense(n_classes, activation='softmax'))my_model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=["accuracy"])

Model Fitting

[5]

my_model.fit_generator(train_generator, epochs=5, validation_data=val_generator) Epoch 1/5 1224/1224 [==============================] - 206s 169ms/step - loss: 1.1439 - acc: 0.6431 - val_loss: 0.5824 - val_acc: 0.8126 Epoch 2/5 1224/1224 [==============================] - 179s 146ms/step - loss: 0.2429 - acc: 0.9186 - val_loss: 0.5081 - val_acc: 0.8492 Epoch 3/5 1224/1224 [==============================] - 182s 148ms/step - loss: 0.1576 - acc: 0.9495 - val_loss: 0.5181 - val_acc: 0.8685 Epoch 4/5 1224/1224 [==============================] - 180s 147ms/step - loss: 0.1417 - acc: 0.9554 - val_loss: 0.4139 - val_acc: 0.8786 Epoch 5/5 1224/1224 [==============================] - 181s 148ms/step - loss: 0.1149 - acc: 0.9647 - val_loss: 0.4319 - val_acc: 0.8948<keras.callbacks.History at 0x7f5cbb6537b8>

 

创作挑战赛新人创作奖励来咯，坚持创作打卡瓜分现金大奖

总结

以上是生活随笔为你收集整理的在Kaggle上免费使用GPU的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。