使用GPU 训练Tensorflow/Keras 的CNN模型

最新推荐文章于 2026-04-15 21:26:00 发布
原创 最新推荐文章于 2026-04-15 21:26:00 发布 · 2.1w 阅读 · 27
标签
#GPU #CUDA #cuDNN #keras
本文介绍了如何在配备NVIDIA MX510 GPU的联想潮7000笔记本上，利用CUDA和cuDNN加速Tensorflow-Keras的猫狗识别CNN模型训练。通过安装CUDA9.0、cuDNN，验证安装成功后，使用pip安装tensorflow-gpu和keras。经过测试，GPU训练比CPU快约5倍，模型精度达到80%左右。

关键词：Kaggle 猫狗大赛，MX510 GPU， 联想潮7000， Win10， NVIDA显卡

之前写了一个猫狗识别的CNN模型，利用笔记本进行训练，每次都需要好久，基本每个epoch要5分钟左右，来来回回改改参数，每次都要等漫长的时间。于是在找怎么利用GPU进行训练。

1. 电脑的显卡是NVIDA MX510， 可以支持CUDA，要使用tensorflow-gpu版本，需要安装CUDA9.0，下载之后直接安装，可能有2个patch可以下载，但是patch 1装不上，patch 2 可以，不影响。


2. 下载cuDNN并安装，需要注册一下，下载后解压，将文件复制到CUDA的安装目录。

这是cuDNN解压后的文件


复制到这里

了解本专栏 订阅专栏 解锁全文 超级会员免费看
tensorflow2.5.0-GPU测试工程
07-27
在ubuntu16.04上编译好tensorflow2.5.0-GPU；使用的是RTX 2060 Super测试多张图片；比TF-CPU加速很多。
Keras调用单个或者多个GPU训练的方法
qq_42902997的博客
10-27 4624
前期准备： 下载和安装自己 nvidia 驱动 按照nvidia 驱动的版本号安装 cuda 和 cudnn 安装 anaconda 添加 anaconda 的环境变量 创建 conda 的虚拟环境 1. 安装 keras-gpu （因为 conda 会将一系列的附带包全部安装适配版本，例如 cudatoolkit，tensorflow-gpu，所以直接用 conda 安装 keras-gpu 即可） 进行这一步，默认读者已经安装了 anaconda 并且创建了自己的虚拟环境； conda ins
如何零基础用tensorflow搭建基本的CNN框架 | 附训练断点续练、图像展示、参数保存模块
z
05-16 797
如何零基础用tensorflow搭建基本的CNN框架 | 附训练断点续练、图像展示、参数保存模块 嗨，我是error。 这次的笔记是关于tensorflow基本框架的搭建，零基础带你熟悉如何应用keras搭建自己的CNN模型，并训练自己的数据，实现深度学习。 代码主要参考来源自 【国家精品课程】北京大学人工智能实践-TensorFlow2.0 CIFAR10数据集介绍，并使用卷积神经网络训练图像分类模型 Keras的八股文构建方法 这篇文章主要是写给tensorflow零基础但深度学习对CNN结构有一定
TMS320F28377D串口通信（SCI）库函数配置避坑指南：从GPIO到波特率，手把手搞定SCIA
最新发布
weixin_30882895的博客
04-15 556
本文详细解析了TMS320F28377D的SCI串口通信库函数配置要点，从GPIO设置到波特率计算，提供实用避坑指南。重点讲解初始化顺序、时钟配置陷阱及实战调试技巧，帮助工程师快速解决SCIA模块通信问题，提升工业控制系统的可靠性。
第37步 深度学习图像识别：CNN建模（Tensorflow）
Jet4505的博客
06-18 5159
第37步 深度学习图像识别：CNN建模（Tensorflow）
keras深度训练:GPU设置
qq_38410428的博客
06-27 6477
keras指定运行时显卡及限制GPU用量 固定GPU训练： import os import tensorflow as tf import keras.backend.tensorflow_backend as KTF #进行配置，每个GPU使用90%上限现存 os.environ["CUDA_VISIBLE_DEVICES"]="0,1" # 使用编号为0，1号的GPU config = t...
［超级详细］如何在深度学习训练模型过程中使用GPU加速
热门推荐
我不会写代码
05-12 4万+
在深度学习当中，我们训练模型通常要对模型进行反复的优化训练，仅用CPU来进行训练的话需要花费很长时间，但是我们可以使用GPU来加速训练模型，这样就可以大大减少我们训练模型花费的时间。
使用GPU训练Tensorflow/Keras 的CNN模型
yiyayiya557的博客
05-07 1623
参考文章： 使用GPU 训练Tensorflow/Keras 的CNN模型 https://blog.csdn.net/xiaozisheng2008_/article/details/80558914 tensorflow显存管理、tensorflow使用多个gpu训练 https://blog.csdn.net/liulina603/article/details/80180355 ...
【深度学习实验】—— TensorFlow 实现 MNIST 手写数字识别
weixin_65899656的博客
03-10 396
TensorFlow 是由 Google 开发的一个开源机器学习和深度学习平台。它被广泛用于构建、训练和部署各种人工智能模型。TensorFlow 具有高度的灵活性和可扩展性，并且支持 GPU 硬件加速以缩短训练时间。在实际应用中，开发者通常使用其内置的 Keras API（即 tensorflow.keras）来构建神经网络模型，这使得定义网络层、配置优化器和训练模型的过程变得非常直观和高效。实验中所使用的是深度学习和计算机视觉领域最经典的入门基准数据集——MNIST 数据集。
深度学习T3
2501_92873730的博客
12-19 786
通过class_names输出数据集的标签。标签将按字母顺序对应于目录名称。使用的是GPU，（RTX5070）图片总数为： 1125。
Python 与深度学习库 TensorFlow 进阶：探索无限可能
IAUTOMOBILE的博客
03-31 352
本文深入探讨了Python与TensorFlow在深度学习中的进阶应用。Python凭借简洁语法和丰富库支持成为深度学习首选语言，而TensorFlow作为谷歌开源的强大框架，支持构建各类复杂模型。文章详细介绍了CNN、RNN/LSTM和GAN等深度学习模型的TensorFlow实现方法，并提供了完整代码示例。同时分享了GPU加速和分布式训练等性能优化技巧，帮助开发者提升模型训练效率。通过理论与实践相结合的方式，为读者提供了从入门到进阶的深度学习开发指南。
tensorflow入门项目（二）：手写数字识别之CNN模型（详解）
qq_42847843的博客
12-19 1208
前言 在做实战项目时，最好有一定的基础。个人觉得吴恩达的视频讲解的很好，可以看一下打个基础。 内容 附上代码以及详细解析 import tensorflow as tf import numpy as np from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets('E...
关于GPU下tensorflow加速CNN的运行操作步骤
qq_31648921的博客
12-01 1123
1，已按照https://blog.csdn.net/qq_31648921/article/details/96426915 安装好GPU加速相关组件 2，创建好了envs 3,具体的操作步骤：
使用tensorflow构建卷积神经网络（CNN）
毕业作品网站
05-20 3472
，每一个特征平面由一些矩形排列的神经元组成，同一特征平面的神经元共享权值，这个共享权值就是卷积核。卷积核一般以随机小数矩阵的形式初始化，在网络的训练过程中卷积核将学习得到合理的权值。卷积神经网络分为了三部分，第一部分为输入层，第二部分由若干个卷积层和池化层 组成，第三部分为一个全连接的多层感知分类器构成。注意：Layer L1 为输入层，L2为隐含层，L3为输出层，h（x）为假设函数。设置我们的权重和偏移，损失函数，梯度下降，初始化参数，初始化模型保存。这一步，我们声明了一些神经网络的参数。
TensorFlow实战：Chapter-3（CNN-1-卷积神经网络简介）
DFan的NoteBook
07-19 2万+
卷积神经网络简介 CNN的提出 CNN的壮大 卷积神经网络结构 卷积神经网络的常见网络结构 卷积 信号处理中的卷积 图像处理中的卷积 卷积的类型的参数 卷积层 卷积层原理 卷积层算法 卷积层特点 权值共享 多卷积核 池化层 池化层原理 池化层算法 池化层特点 池化单元的平移不变性 显著减少参数数量 TensorFlow中的CNN 卷积 strides参数 padding参数 tfnnconv2d t
使用GPU加速TensorFlow机器学习
架构师学习成长之路
04-07 6308
    在Thinkpad X260上运行一个CNN图像分类的样例程序时，发现速度特别慢，迭代一轮要将近5分钟，那么迭代200轮需要1000分钟，16个小时！在看到TensorFlow相关的书籍时，总是提到GPU加速，对于这样的问题，应该能派上用场吧。TensorFlow目前只支持NVIDIA显卡，笔者手头没有，阿里云上有GPU计算型ECS，便“按量付费”买了一台，开始了一场“坎坷小贵”的验证之旅...
Faster RCNN - Tensorflow实现以及训练自己的数据 — GPU版（排坑）
Pngyng的博客
04-29 3151
转载请注明： 参考： GPU坑：https://blog.csdn.net/hongxingabc/article/details/79048531 GPU： 1.Environment 创建环境 Centos7 CUDA：0.9 CUDNN：7.3.1 TeslaP100：sm_60 conda create --name tensorflow-gpu python=3.6 conda inst...
Deep Learning-TensorFlow (10) CNN卷积神经网络_ TFLearn 快速搭建深度学习模型
DiamonJoy
04-10 7401
TFLearn 是一个构建在 TensorFlow 之上的模块化和透明的深度学习库。它为 TensorFlow 提供高层次 API，目的是便于快速搭建试验环境，同时保持对 TensorFlow 的完全透明和兼容性。
用Pytorch训练CNN（数据集MNIST，使用GPU）
qq_32464407的博客
01-28 1万+
听说pytorch使用比TensorFlow简单，加之pytorch现已支持windows，所以今天装了pytorch玩玩，第一件事还是写了个简单的CNN在MNIST上实验，初步体验的确比TensorFlow方便。 参考代码（在莫烦python的教程代码基础上修改）如下： import torch import torch.nn as nn from torch.autograd
Python——tensorflow2.8猫狗识别
wenpeitao的博客
04-30 3875
很早就想做这个猫狗识别的程序，所以跟着唐宇迪教程做了一遍，中间部分参数做了修改。 后面预测部分用自己的猫猫图片做了预测，虽然有点问题，但最后还是可以识别出来，问题不大，下面对程序几个部分进行讲解，最后会附上整个程序的附件。 一、数据处理 整个训练集用了cat dog两个文件，每个数据集里面有500张图片，并且图片的大小不一样，因此导入图片时需要对图片进行压缩处理，程序中的image_size就是压缩处理的像素。但是这个像素选取会有个问题，对于这个项目中使用训练集来讲的话没有什么问题，因...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

boldyoungster

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值