DL4J实战之四：经典卷积实例(GPU版本)
2024-10-21 22:52:51
欢迎访问我的GitHub
https://github.com/zq2599/blog_demos
内容：所有原创文章分类汇总及配套源码，涉及Java、Docker、Kubernetes、DevOPS等；
本篇概览
- 作为《DL4J实战》的第四篇，今天咱们不写代码，而是为今后的实战做些准备：在DL4J框架下用GPU加速深度学习的训练过程；
- 如果您电脑上有NVIDIA显卡，并且成功的安装了CUDA，那么就随本文一起实际操作吧，全文由以下内容构成：
- 软硬件环境参考信息
- DL4J的依赖库和版本
- 使用GPU的具体操作步骤
- GPU训练和CPU训练对比
软硬件环境参考信息
- 众所周知，欣宸是个穷人，因此带NVIDIA显卡的电脑就是一台破旧的联想笔记本，相关信息如下：
- 操作系统：Ubuntu16桌面版
- 显卡型号：GTX950M
- CUDA：9.2
- CPU：i5-6300HQ
- 内存：32G DDR4
- 硬盘：NvMe 1T
- 实际证明，以上配置可以顺利运行《DL4J实战之三：经典卷积实例(LeNet-5)》一文中的实例，并且可以通过GPU加速训练(GPU和CPU的对比数据会在后面给出)
- 在Ubuntu16环境安装NVIDIA驱动和CUDA9.2的过程，可以参考文章《纯净Ubuntu16安装CUDA(9.1)和cuDNN》，这里面安装的CUDA版本是9.1，请自行改为9.2版本
DL4J的依赖库和版本
- 首先要强调的是：不要使用CUDA 11.2版本(这是执行nvidia-smi时输出的版本)，截止写本文时，使用CUDA 11.2及其依赖库，在启动时会有ClassNotFound异常
- CUDA 10.X版本我这里也没有试过，因此不做评论
- CUDA 9.1和9.2版本都尝试过，可以正常使用
- 为什么不用9.1呢？咱们先去中央仓库看看DL4J核心库的版本情况，如下图，最新的版本已经到了1.0.0-M1：
- 再看看CUDA 9.1对应的nd4j库的版本情况，如下图红框，最新的是2018年的1.0.0-beta，与核心库差距太大了：
- 好了，再来看看CUDA 9.2对应的nd4j库的版本情况，如下图红框，最新的是1.0.0-beta6，与核心库差两个版本，因此，建议使用CUDA 9.2：
使用GPU的具体操作步骤
- 使用CPU还是GPU，具体操作步骤非常简单：切换不同的依赖库即可，下面分别介绍
- 如果您用CPU做训练，则依赖库和版本如下：
<!--核心库，不论是CPU还是GPU都要用到-->
<dependency>
<groupId>org.deeplearning4j</groupId>
<artifactId>deeplearning4j-core</artifactId>
<version>1.0.0-beta6</version>
</dependency>
<!--CPU要用到-->
<dependency>
<groupId>org.nd4j</groupId>
<artifactId>nd4j-native</artifactId>
<version>1.0.0-beta6</version>
</dependency>
如果您用GPU做训练，且CUDA版本是9.2，则依赖库和版本如下：
<!--核心库，不论是CPU还是GPU都要用到-->
<dependency>
<groupId>org.deeplearning4j</groupId>
<artifactId>deeplearning4j-core</artifactId>
<version>1.0.0-beta6</version>
</dependency>
<!--GPU要用到-->
<dependency>
<groupId>org.deeplearning4j</groupId>
<artifactId>deeplearning4j-cuda-9.2</artifactId>
<version>1.0.0-beta6</version>
</dependency>
<!--GPU要用到-->
<dependency>
<groupId>org.nd4j</groupId>
<artifactId>nd4j-cuda-9.2-platform</artifactId>
<version>1.0.0-beta6</version>
</dependency>
- java代码就不在这里贴出了，用的是《DL4J实战之三：经典卷积实例(LeNet-5)》中的代码，不做任何改变
内存设置
- 使用IDEA运行代码的时候，可以按照当前硬件情况将内存适当调大，步骤如下图：
- 请酌情调整，我这里设置为8G
- 设置完毕，接下来在同一电脑上分别用CPU和GPU执行训练和测试，通过对比检查GPU加速效果
CPU版本
- 在这台破旧的笔记本电脑上，用CPU做训练是非常吃力的，如下图，几乎被榨干：
- 控制台输出如下，耗时158秒，真是个漫长的过程：
=========================Confusion Matrix=========================
0 1 2 3 4 5 6 7 8 9
---------------------------------------------------
973 1 0 0 0 0 2 2 1 1 | 0 = 0
0 1132 0 2 0 0 1 0 0 0 | 1 = 1
1 5 1018 1 1 0 0 4 2 0 | 2 = 2
0 0 2 1003 0 3 0 1 1 0 | 3 = 3
0 0 1 0 975 0 2 0 0 4 | 4 = 4
2 0 0 6 0 880 2 1 1 0 | 5 = 5
6 1 0 0 3 4 944 0 0 0 | 6 = 6
0 3 6 1 0 0 0 1012 2 4 | 7 = 7
3 0 1 1 0 1 1 2 964 1 | 8 = 8
0 0 0 2 6 2 0 2 0 997 | 9 = 9
Confusion matrix format: Actual (rowClass) predicted as (columnClass) N times
==================================================================
13:24:31.616 [main] INFO com.bolingcavalry.convolution.LeNetMNISTReLu - 完成训练和测试，耗时[158739]毫秒
13:24:32.116 [main] INFO com.bolingcavalry.convolution.LeNetMNISTReLu - 最新的MINIST模型保存在[/home/will/temp/202106/26/minist-model.zip]
GPU版本
- 接下来按照前面给出的依赖关系修改pom.xml文件，即可启用GPU，运行过程中，控制台输出以下内容表示已启用GPU：
13:27:08.277 [main] INFO org.nd4j.linalg.api.ops.executioner.DefaultOpExecutioner - Backend used: [CUDA]; OS: [Linux]
13:27:08.277 [main] INFO org.nd4j.linalg.api.ops.executioner.DefaultOpExecutioner - Cores: [4]; Memory: [7.7GB];
13:27:08.277 [main] INFO org.nd4j.linalg.api.ops.executioner.DefaultOpExecutioner - Blas vendor: [CUBLAS]
13:27:08.300 [main] INFO org.nd4j.linalg.jcublas.JCublasBackend - ND4J CUDA build version: 9.2.148
13:27:08.301 [main] INFO org.nd4j.linalg.jcublas.JCublasBackend - CUDA device 0: [GeForce GTX 950M]; cc: [5.0]; Total memory: [4242604032]
- 这次的运行过程明显流畅了许多，CPU使用率下降了不少：
- 控制台输出如下，耗时21秒，可见GPU加速效果还是很明显的：
=========================Confusion Matrix=========================
0 1 2 3 4 5 6 7 8 9
---------------------------------------------------
973 1 0 0 0 0 2 2 1 1 | 0 = 0
0 1129 0 2 0 0 2 2 0 0 | 1 = 1
1 3 1021 0 1 0 0 4 2 0 | 2 = 2
0 0 1 1003 0 3 0 1 2 0 | 3 = 3
0 0 1 0 973 0 3 0 0 5 | 4 = 4
1 0 0 6 0 882 2 1 0 0 | 5 = 5
6 1 0 0 2 5 944 0 0 0 | 6 = 6
0 2 4 1 0 0 0 1016 2 3 | 7 = 7
1 0 2 1 0 1 0 2 964 3 | 8 = 8
0 0 0 2 6 3 0 2 1 995 | 9 = 9
Confusion matrix format: Actual (rowClass) predicted as (columnClass) N times
==================================================================
13:27:30.722 [main] INFO com.bolingcavalry.convolution.LeNetMNISTReLu - 完成训练和测试，耗时[21441]毫秒
13:27:31.323 [main] INFO com.bolingcavalry.convolution.LeNetMNISTReLu - 最新的MINIST模型保存在[/home/will/temp/202106/26/minist-model.zip]
Process finished with exit code 0
- 至此，DL4J框架下的GPU加速实战就完成了，如果您手里有NVIDIA显卡，可以尝试一下，希望本文能给您一些参考
你不孤单，欣宸原创一路相伴
欢迎关注公众号：程序员欣宸
微信搜索「程序员欣宸」，我是欣宸，期待与您一同畅游Java世界...
https://github.com/zq2599/blog_demos
最新文章
- 安装配置dradis
- Ext.NET-基础篇
- hdu4982 Goffi and Squary Partition （DFS解法）
- LoadRunner使用技巧之添加事务
- c# 操作word
- mong 备份和恢复
- Unity3D 浏览工具
- vconfig 的使用
- .NET:持续进化的统一开发平台
- ajax导出表格数据失败的几处坑
- mysql 开发进阶篇系列 5 SQL 优化(表优化)
- linux缺失gcc的安装方法
- 关于vs调用数据库存储过程 返回输出参数的一些总结
- Abp.Linq.Extensions扩展(1)--static class QueryableExtensions
- Codeforces Beta Round #27 E. Number With The Given Amount Of Divisors 含n个约数最小数
- ECMAScript 6中的var,let,const
- Web 2.0应用客户端性能问题十大根源《转载》
- jquery 等html加载完成再绑定事件
- linux Mint 安装网易云音乐
- nuget必备插件(待续)