我正在做这个教程： http://deeplearning.net/software/theano/tutorial/using_gpu.html#exercise
这里给出了教程的解决方案： http://deeplearning.net/software/theano/_downloads/using_gpu_solution_1.py
但我的问题是我运行代码
使用GPU：
THEANO_FLAGS=mode=FAST_RUN,device=gpu time python using_gpu_solution_1.py
我得到了以下输出：
Using gpu device 0: Tesla C2050 / C2070
Used the gpu
13.37user 3.69system 0:16.49elapsed 103%CPU (0avgtext+0avgdata 617376maxresident)k
0inputs+16outputs (0major+75442minor)pagefaults 0swaps
和CPU：
THEANO_FLAGS=mode=FAST_RUN,device=cpu time python using_gpu_solution_1.py
我得到了以下输出：
Used the cpu
6.85user 14.50system 0:04.43elapsed 481%CPU (0avgtext+0avgdata 241120maxresident)k
0inputs+16outputs (0major+43904minor)pagefaults 0swaps
在the solution中，他们提到GPU的速度几乎翻了一番。 但是我使用GPU的时间比CPU要长。
代码是在CPU的多核上运行的吗？它是否比GPU有所改进？
谁能告诉我我错了什么？ 我唯一能看到的是使用GPU改善系统时间。 这是加速的意思吗？因为GPU的整体经过时间仍然更长。
答案 0 :(得分：3)
有一个问题（1）和对此的考虑（2-3）：
1）你没有正确的时间。你的时间方式，你包括theano编译时间。 Theano编译不会包含在配置文件中。你应该只把时间花在Theano函数上。为此，请修改使用Theano Profiler的脚本，如配置文件中所示。
2）这是一个玩具的例子。它做纯随机梯度下降（SGD）。为了从GPU获得良好的速度，我们需要使用带有SGD的minibatch。如果我们不知道GPU没有足够的数据来平行计算。
3）由于这是一个只有小型号的玩具示例，因此根据所使用的CPU和GPU，速度会有很大差异。可能是你使用比原版更好的CPU进行调整，或者使用并行BLAS进行调整。