上一篇文章成功在CPU模式下編譯了Caffe，接下來需要運行一個例程來直觀的了解Caffe的作用。（參考：《深度學習 21天實戰Caffe》第6天 運行手寫體數字識別例程）

?

編譯步驟：

CPU模式：

1、下載MNIST數據集 sudo ./data/mnist/get_mnist.sh 2、轉換格式 sudo ./examples/mnist/create_mnist.sh 3、修改訓練超參數文件 sudo vim examples/mnist/lenet_solver.prototxt 修改最后一行為：solver_mode : CPU 4、進行訓練 sudo ./build/tools/caffe.bin train --solver=examples/mnist/lenet_solver.prototxt 5、用訓練好的模型對數據進行預測 sudo ./build/tools/caffe.bin test \ -model examples/mnist/lenet_train_test.prototxt \ -weights examples/mnist/lenet_iter_10000.caffemodel \ -iterations 100

?

GPU模式：

1、重新編譯Caffe 修改Makefile.config，屏蔽CPU_ONLY，即在CPU_ONLY前加上“#” sudo make -j 2、修改訓練超參數文件 sudo vim examples/mnist/lenet_solver.prototxt 修改最后一行為：solver_mode : GPU 3、進行訓練 sudo ./build/tools/caffe.bin train --solver=examples/mnist/lenet_solver.prototxt 4、用訓練好的模型對數據進行預測，并使用caffe time命令進行計時 sudo ./build/tools/caffe.bin time \ -model examples/mnist/lenet_train_test.prototxt \ -gpu 0

?

cuDNN模式：

1、重新編譯Caffe 修改Makefile.config，去掉USE_CUDNN前的“#”（使用cuDNN加速） sudo make -j 2、進行訓練 sudo ./build/tools/caffe.bin train --solver=examples/mnist/lenet_solver.prototxt 3、用訓練好的模型對數據進行預測，并使用caffe time命令進行計時 sudo ./build/tools/caffe.bin time \ -model examples/mnist/lenet_train_test.prototxt \ -gpu 0

?

結果對比：
CPU模式：

CPU_ONLY := 1 solver mode : CPU 測試時間：3633ms

?

GPU模式：

# CPU_ONLY := 1 solver mode : GPU 測試時間：673.594ms

?

cuDNN加速：

USE_CUDNN := 1 # CPU_ONLY := 1 solver mode : GPU 測試時間：246.016ms

?

由此可見，訓練時間：CPU > GPU > cuDNN。

轉載于:https://www.cnblogs.com/wmxfd/p/caffe_experiment_2_handwriting_recognition_routines_cpu_gpu_cudnn_speed_contrast.html

總結

以上是生活随笔為你收集整理的Caffe实战二（手写体识别例程：CPU、GPU、cuDNN速度对比）的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。