我在定制模块上也遇到过这种情况,但在这个例子中,我专门使用 the official PyTorch examples 之一。和 MNIST 数据集。
我已经将 Keras 和 TF2 中的确切架构移植到了 Eager 模式,如下所示:
model = keras.models.Sequential([ keras.layers.Conv2D(32, (3, 3) , input_shape=(28,28,1), activation='relu'),
keras.layers.Conv2D(64, (3, 3)),
keras.layers.MaxPool2D((2, 2)),
keras.layers.Dropout(0.25),
keras.layers.Flatten(),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dropout(0.5),
keras.layers.Dense(10, activation='softmax')]
)
model.summary()
model.compile(optimizer=keras.optimizers.Adadelta(), loss=keras.losses.sparse_categorical_crossentropy, metrics=['accuracy'])
model.fit(train_data,train_labels,batch_size=64,epochs=30,shuffle=True, max_queue_size=1)
PyTorch 中的训练循环是:
def train(args, model, device, train_loader, optimizer, epoch):
model.train()
for batch_idx, (data, target) in enumerate(train_loader):
data, target = data.to(device), target.to(device)
optimizer.zero_grad()
output = model(data)
loss = F.nll_loss(output, target)
loss.backward()
optimizer.step()
和我一起计时每个时代:
for epoch in range(1, args.epochs + 1):
since = time.time()
train(args, model, device, train_loader, optimizer, epoch)
# test(args, model, device, test_loader)
# scheduler.step()
time_elapsed = time.time() - since
print('Training complete in {:.0f}m {:.0f}s'.format(
time_elapsed // 60, time_elapsed % 60))
我已经证实:
Keras 版本每个 epoch 运行大约 4-5 秒,而 PyTorch 版本每个 epoch 运行大约 9-10 秒。
为什么会这样,这次我该如何改进?
最佳答案
我认为必须考虑到一个细微的差异;我最好的选择/预感如下:这不是每个 GPU 本身的处理时间,而是 max_queue_size=10
参数,在 Keras 中默认为 10。
由于默认情况下,在 PyTorch 的普通 for 循环中,数据没有排队,Keras 受益的队列允许更快地将数据从 CPU 传输到 GPU;从本质上讲,为 GPU 提供数据所花费的时间要少得多,因为它从内部队列中消耗得更快/从 CPU 到 GPU 传输数据的开销减少了。
除了我以前的观察之外,我看不到任何其他明显的差异,也许其他人可以指出新的发现。
关于tensorflow - 对于相同的模型和超参数,为什么 PyTorch 比 Keras 慢 2 倍?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/60029607/