learning
/
DeepLearning-500-questions
mirror of https://github.com/scutan90/DeepLearning-500-questions.git
1
0
Fork 0
Code Issues Packages Projects Releases Wiki Activity

增加对RTX显卡的选型 

1.增加了RTX系列显卡的购买建议；
2.修改部分数字序列用逗号分割的格式问题；
3.增加一个参考文献。
This commit is contained in:
X-21 2019-04-09 16:02:16 +08:00
parent 907c29c986
commit 101f861325
2 changed files with 25 additions and 23 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

2
ch15_GPU和框架选型/readme.md
View File

@ -9,6 +9,6 @@
**贡献者（排名不分先后）：**
内容贡献者可自加信息
陈龙宇-重庆大学
###########################################################

46
ch15_GPU和框架选型/第十五章_异构运算、GPU及框架选型.md
View File

@ -94,11 +94,14 @@ GPU的性能主要由以下三个参数构成：
如果大家继续比较GTX较早的系列，也可以发现类似的规律。据此，我们推荐大家在能力范围内尽可能买较新的GPU。
对于RTX系列，新增了Tensor Cores单元及支持FP16，使得显卡的可选择范围更加多元。
### 15.5.2 购买建议
##### 首先给出一些总体的建议
最好的GPU整体（小幅度）：Titan Xp
综合性价比高，但略贵：GTX 1080 Ti，GTX 1070，GTX 1080
性价比还不错且便宜：GTX 1060（6GB）
首先给出一些总体的建议：
性价比高但较贵：RTX 2070，GTX 1080 Ti
性价比高又便宜：RTX 2060，GTX 1060（6GB）
当使用数据集> 250GB：GTX Titan X（Maxwell） ，NVIDIA Titan X Pascal或NVIDIA Titan Xp
@ -106,15 +109,15 @@ GPU的性能主要由以下三个参数构成：
几乎没有钱，入门级：GTX 1050 Ti（4GB）
做Kaggle比赛：GTX 1060（6GB）适用于任何“正常”比赛，或GTX 1080 Ti用于“深度学习竞赛”
做Kaggle比赛：RTX 2070、GTX 1060（6GB）适用于任何“正常”比赛，GTX 1080 Ti（预算足够可以选择RTX 2080 Ti）用于“深度学习竞赛”
计算机视觉研究员：NVIDIA Titan Xp；不要买现在新出的Titan X（Pascal或Maxwell）
计算机视觉研究员：RTX 2080 Ti（涡轮散热或水冷散热较好，方便后期增加新的显卡）如果网络很深可以选择Titan RTX
一名研究员人员：GTX 1080 Ti。在某些情况下，如自然语言处理，一个GTX 1070或GTX 1080已经足够了-检查你现在模型的内存需求
一名NLP研究人员：RTX 2080 Ti，并使用FP16来训练
搭建一个GPU集群：这个有点复杂，另做探讨。
刚开始进行深度学习研究：从GTX 1060（6GB）开始。根据你下一步兴趣（入门，Kaggle比赛，研究，应用深度学习）等等，在进行选择。目前，GTX 1060更合适。
刚开始进行深度学习研究：从RTX 2060或GTX 1060（6GB）开始，根据你下一步兴趣（入门，Kaggle比赛，研究，应用深度学习）等等，再进行选择。目前，RTX 2060和GTX 1060都比较合适入门的选择。
想尝试下深度学习，但没有过多要求：GTX 1050 ti（4或2GB）
@ -378,49 +381,48 @@ mxnet的最知名的优点就是其对多GPU的支持和扩展性强，其优秀
### 15.2.1 常用框架简介
1，tensorflow：
1. tensorflow：
tensorflow由于有google的强大背书，加上其优秀的分布式设计，丰富的教程资源和论坛，工业部署方便，基本很多人都是从tensorflow入门的
优点：google的强大背书，分布式训练，教程资源丰富，常见问题基本都可以在互联网中找到解决办法，工业部署方便
缺点: 接口混乱，官方文档不够简洁，清晰，
2，keras:
2. keras:
keras是一种高层编程接口，其可以选择不同的后端，比如tensorflow，therao等等
优点：接口简洁，上手快，文档好，资源多
缺点: 封装的太好了导致不理解其技术细节
3,pytorch:
3. pytorch:
4,caffe2:
4. caffe2:
caffe2是在caffe之后的第二代版本，同属于Facebook。。。
优点：支持模型的全平台部署，。。。。
缺点:使用人数相对较少，资源较少，和pytorch合并后应该会更受欢迎
5,mxnet
5. mxnet
mxnet是dmlc社区推出的深度学习框架，在2017年被亚马逊指定为官方框架
优点：支持多种语言，代码设计优秀，省显存，华人团队开发，中文社区活跃，官方复现经典论文推出gluoncv和gluonNLP模块，非常方便，拿来就可以用。
缺点:现在mxnet官方社区主要在推gluon接口，接口稍有混乱，坑较多，入手门槛稍高
6，caffe：
6. caffe：
目前很多做深度学习比较早的大厂基本都是在用caffe，因为在2013-2015年基本就是caffe的天下，并且caffe的代码设计很优秀，基本所有代码都被翻了很多遍了，被各种分析，大厂基本都是魔改caffe，基于caffe来进行二次开发，所在目前在很多大厂还是在使用caffe
优点：资源丰富，代码容易理解，部署方便
缺点：入门门槛高，文档较少
###15.2.1 框架选型总结
1，新手入门，首推pytorch，上手快，资源丰富,官方文档写的非常好(https://pytorch.org/tutorials/)
2，目前工业部署，tensorflow是首选,资源丰富，并且在分布式训练这一块基本一家独大
3，mxnet的gluon接口有比较丰富的中文资源（教程：zh.gluon.ai，论坛：discuss.gluon.ai）,gluoncv模块（https://gluon-cv.mxnet.io）,gluonNLP模块（https://gluon-nlp.mxnet.io）
框架选型总结:
1. 新手入门，首推pytorch，上手快，资源丰富,官方文档写的非常好(https://pytorch.org/tutorials/)
2. 目前工业部署，tensorflow是首选,资源丰富，并且在分布式训练这一块基本一家独大
3. mxnet的gluon接口有比较丰富的中文资源（教程：zh.gluon.ai，论坛：discuss.gluon.ai）,gluoncv模块（https://gluon-cv.mxnet.io）,gluonNLP模块（https://gluon-nlp.mxnet.io）
##15.3 模型部署
## 15.3 模型部署
我们一般都是通过python或者其他语言来编码训练模型，然后基于后端来进行部署
一般的框架都有自身的部署框架，比如tensorflow，pytorch，caffe2，mxnet等等
有一些框架是专门做推理部署使用的，比如
（1）tensorRT
(1)tensorRT
(2)TVM
(3)ONNX
## 相关文献
[1] Aston Zhang, Mu Li, Zachary C. Lipton, and Alex J. Smola. [《动手学深度学习》附录 购买GPU](https://github.com/d2l-ai/d2l-zh/blob/master/chapter_appendix/buy-gpu.md), 2019.
[2] Tim Dettmers. [Which GPU(s) to Get for Deep Learning: My Experience and Advice for Using GPUs in Deep Learning](http://timdettmers.com/2019/04/03/which-gpu-for-deep-learning/), 2019.