摘要：

1.以動(dòng)態(tài)圖形式計(jì)算一個(gè)簡(jiǎn)單的加法

2.cpu和gpu計(jì)算力比較（包括如何指定cpu和gpu）

3.關(guān)于gpu版本的tensorflow安裝問題，可以參考另一篇博文：https://www.cnblogs.com/liuhuacai/p/11684666.html

正文：

1.在tensorflow中計(jì)算3.+4.

##1.創(chuàng)建輸入張量
a = tf.constant(2.)
b = tf.constant(4.)
##2.計(jì)算結(jié)果
print('a+b=',a+b)

輸出：a+b= tf.Tensor(7.0, shape=(), dtype=float32)

總結(jié)：20版本在加法實(shí)現(xiàn)過程中簡(jiǎn)單了不少，所見即所得。（1.x的實(shí)現(xiàn)過程相對(duì)復(fù)雜）據(jù)說動(dòng)態(tài)的實(shí)現(xiàn)也是后端轉(zhuǎn)化成靜態(tài)圖實(shí)現(xiàn)的。

2.cpu和gpu計(jì)算力比較

說明：通過計(jì)算不同大小的矩陣乘法，獲得計(jì)算時(shí)間。

　　1.指定cpu或gpu通過 with tf.device('/cpu:0'):或 with tf.device('/gpu:0'):指定，在需要加速的操作前添加即可（此處生成隨機(jī)　　　　 數(shù)和矩陣乘法都加速）

　　2.統(tǒng)計(jì)計(jì)算時(shí)間的函數(shù)timeit.timeit需要導(dǎo)入import timeit【timeit.timeit(需計(jì)時(shí)的函數(shù)或語句，計(jì)算次數(shù))】

　　3.計(jì)算量的大小與cpu和gpu計(jì)算時(shí)間的關(guān)系，計(jì)算量通過改變矩陣大小實(shí)現(xiàn)

import tensorflow as tf
import timeit
以矩陣A[10,n]和矩陣B[n,10]的乘法運(yùn)算（分別在cpu和gpu上運(yùn)行）來測(cè)試，
'''
with tf.device('/cpu:0'):                    ##指定操作用cpu計(jì)算
    cpu_a = tf.random.normal([10,n])        ##生成符合高斯分布的隨機(jī)數(shù)矩陣，通過改變n大小，增減計(jì)算量
    cpu_b = tf.random.normal([n,10])
print(cpu_a.device,cpu_b.device)
with tf.device('/gpu:0'):
    gpu_a = tf.random.normal([100n])
    gpu_b = tf.random.normal([n,10])
print(gpu_a.device,gpu_b.device)
def cpu_run():
    with tf.device('/cpu:0'):               ##矩陣乘法，此操作采用cpu計(jì)算
        c = tf.matmul(cpu_a,cpu_b)
    return c
def gpu_run():
    with tf.device('/gpu:0'):              ##矩陣乘法，此操作采用gpu計(jì)算
        c = tf.matmul(gpu_a,gpu_b)
    return c
##第一次計(jì)算需要熱身，避免將初始化時(shí)間計(jì)算在內(nèi)
cpu_time = timeit.timeit(cpu_run,number=10)
gpu_time = timeit.timeit(gpu_run,number=10)
print('warmup:',cpu_time,gpu_time)
##正式計(jì)算10次，取平均值
cpu_time = timeit.timeit(cpu_run,number=10)
gpu_time = timeit.timeit(gpu_run,number=10)
print('run_time:',cpu_time,gpu_time)

　　通過改變矩陣大小，增加矩陣乘法的計(jì)算量：計(jì)算結(jié)果如下

　　結(jié)論：1.在計(jì)算量較小的情況下，cpu的計(jì)算速度比gpu計(jì)算速度快，但是都是微量級(jí)別的差異

　　　　　2.隨著計(jì)算量的增加，cpu的計(jì)算時(shí)間逐步增加，而gpu的計(jì)算時(shí)間相對(duì)平緩，在計(jì)算量達(dá)到一定程度之后，gpu的優(yōu)勢(shì)就出來了。

　　實(shí)現(xiàn)過程的完整代碼：

　　

import tensorflow as tf
import timeit
import matplotlib.pyplot as plt
'''
以矩陣A[10,n]和矩陣B[n,10]的乘法運(yùn)算（分別在cpu和gpu上運(yùn)行）來測(cè)試，
'''
def cpu_gpu_compare(n):
    with tf.device('/cpu:0'):                    ##指定操作用cpu計(jì)算
        cpu_a = tf.random.normal([10,n])        ##生成符合高斯分布的隨機(jī)數(shù)矩陣，通過改變n大小，增減計(jì)算量
        cpu_b = tf.random.normal([n,10])
    print(cpu_a.device,cpu_b.device)
    with tf.device('/gpu:0'):
        gpu_a = tf.random.normal([10,n])
        gpu_b = tf.random.normal([n,10])
    print(gpu_a.device,gpu_b.device)
    def cpu_run():
        with tf.device('/cpu:0'):               ##矩陣乘法，此操作采用cpu計(jì)算
            c = tf.matmul(cpu_a,cpu_b)
        return c
    def gpu_run():
        with tf.device('/gpu:0'):              ##矩陣乘法，此操作采用gpu計(jì)算
            c = tf.matmul(gpu_a,gpu_b)
        return c
    ##第一次計(jì)算需要熱身，避免將初始化時(shí)間計(jì)算在內(nèi)
    cpu_time = timeit.timeit(cpu_run,number=10)
    gpu_time = timeit.timeit(gpu_run,number=10)
    print('warmup:',cpu_time,gpu_time)
    ##正式計(jì)算10次，取平均值
    cpu_time = timeit.timeit(cpu_run,number=10)
    gpu_time = timeit.timeit(gpu_run,number=10)
    print('run_time:',cpu_time,gpu_time)
    return cpu_time,gpu_time
n_list1 = range(1,2000,5)
n_list2 = range(2001,10000,100)
n_list = list(n_list1)+list(n_list2)
time_cpu =[]
time_gpu =[]
for n in n_list:
    t=cpu_gpu_compare(n)
    time_cpu.append(t[0])
    time_gpu.append(t[1])
plt.plot(n_list,time_cpu,color = 'red',label='cpu')
plt.plot(n_list,time_gpu,color='green',linewidth=1.0,linestyle='--',label='gpu')
plt.ylabel('耗時(shí)',fontproperties = 'SimHei',fontsize = 20)
plt.xlabel('計(jì)算量',fontproperties = 'SimHei',fontsize = 20)
plt.title('cpu和gpu計(jì)算力比較',fontproperties = 'SimHei',fontsize = 30)
plt.legend(loc='upper right')
plt.show()

總結(jié)

以上是生活随笔為你收集整理的（一）tensorflow-gpu2.0学习笔记之开篇（cpu和gpu计算速度比较）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。