-
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：
org.deeplearning4j
deeplearning4j-core
1.0.0-beta6
org.nd4j
nd4j-native
1.0.0-beta6
如果您用GPU做训练，且CUDA版本是9.2，则依赖库和版本如下：
org.deeplearning4j
deeplearning4j-core
1.0.0-beta6
org.deeplearning4j
deeplearning4j-cuda-9.2
1.0.0-beta6
org.nd4j
nd4j-cuda-9.2-platform
1.0.0-beta6
- 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] INF
【一线大厂Java面试题解析+后端开发学习笔记+最新架构讲解视频+实战项目源码讲义】 浏览器打开：qq.cn.hn/FTf 免费领取
O 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
