Итак, я играл с функцией свертки пикаффа, реализованной как часть базового слоя свертки. Вот мой convolution.prototxt
файл:Как действительно работает свертка Caffe?
name: "convolution"
input: "data"
input_dim: 1
input_dim: 1
input_dim: 227
input_dim: 227
layer {
name: "conv"
type: "Convolution"
bottom: "data"
top: "conv"
convolution_param {
num_output: 96
kernel_size: 11
stride: 1
}
}
Эти параметры такие же, как и первого CONV слоя AlexNet (кроме походку, которая на самом деле 4).
У меня есть Macbook Pro с графическим процессором NVIDIA GeForce GT 650M 1024 МБ. Я не уверен, что это много значит, но у моего ноутбука также есть Intel HD 4000 как встроенный графический процессор.
Я провел несколько тестов на своем ноутбуке, изменяя гиперпараметр шага, сначала в режиме GPU, а затем в CPU.
1) Различная шагает после вызова caffe.set_device(0); caffe.set_mode_gpu()
:
Stride 1: 27.26 ms
Stride 2: 14.27 ms
Stride 3: 10.57 ms
Stride 4: 7.45 ms
2) Изменяя шаг вперед после вызова caffe.set_mode_cpu()
:
Stride 1: 49.77 ms # expected
Stride 2: 9.92 ms # this and the results after this don't make sense
Stride 3: 4.50 ms
Stride 4: 1.96 ms
(среднее из 3.)
Я просто пытаясь понять, как работает свертка Caffe на основе этих тестов. Может ли кто-нибудь помочь мне пролить свет на это? Почему режим CPU работает быстрее, чем режим GPU?
код Тест я, если вы заинтересованы в том, чтобы для себя:
import numpy as np
import caffe
import time
caffe.set_device(0)
caffe.set_mode_gpu() # caffe.set_mode_cpu()
net = caffe.Net('convolution.prototxt', caffe.TEST)
total = 0.0
for _ in range(3):
net.blobs['data'].data[...] = np.random.randn(1, 1, 227, 227) # there really is an ellipsis there
net.params['conv'][0].data[...] = np.random.randn(96, 1, 11, 11)
s = time.time()
r = net.forward()
e = time.time()
total += (e - s)
print total/3 * 1000