我一直在使用convnetjs一年,现在我想继续使用更强大,更快速的库。我认为Tensorflow比JS库快几个数量级,所以我为两个库编写了一个简单的神经网络,并进行了一些测试。它是一个3-5-5-1神经网络,在一个单一的例子中训练了一定数量的具有SGD和RELU层的时期。
Tensorflow代码:
import tensorflow as tf
import numpy
import time
NUM_CORES = 1 # Choose how many cores to use.
sess = tf.Session(config=tf.ConfigProto(inter_op_parallelism_threads=NUM_CORES, intra_op_parallelism_threads=NUM_CORES))
# Parameters
learning_rate = 0.001
training_epochs = 1000
batch_size = 1
# Network Parameters
n_input = 3 # Data input
n_hidden_1 = 5 # 1st layer num features
n_hidden_2 = 5 # 2nd layer num features
n_output = 1 # Data output
# tf Graph input
x = tf.placeholder("float", [None, n_input], "a")
y = tf.placeholder("float", [None, n_output], "b")
# Create model
def multilayer_perceptron(_X, _weights, _biases):
layer_1 = tf.nn.relu(tf.add(tf.matmul(_X, _weights['h1']), _biases['b1'])) #Hidden layer with RELU activation
layer_2 = tf.nn.relu(tf.add(tf.matmul(layer_1, _weights['h2']), _biases['b2'])) #Hidden layer with RELU activation
return tf.matmul(layer_2, _weights['out']) + _biases['out']
# Store layers weight & bias
weights = {
'h1': tf.Variable(tf.random_normal([n_input, n_hidden_1])),
'h2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2])),
'out': tf.Variable(tf.random_normal([n_hidden_2, n_output]))
}
biases = {
'b1': tf.Variable(tf.random_normal([n_hidden_1])),
'b2': tf.Variable(tf.random_normal([n_hidden_2])),
'out': tf.Variable(tf.random_normal([n_output]))
}
# Construct model
pred = multilayer_perceptron(x, weights, biases)
# Define loss and optimizer
cost = tf.reduce_sum(tf.nn.l2_loss(pred-y)) / batch_size # L2 loss
optimizer = tf.train.GradientDescentOptimizer(learning_rate=learning_rate).minimize(cost) # Adam Optimizer
# Initializing the variables
init = tf.initialize_all_variables()
# Launch the graph
sess.run(init)
# Training Data
train_X = numpy.asarray([[0.1,0.2,0.3]])
train_Y = numpy.asarray([[0.5]])
# Training cycle
start = time.clock()
for epoch in range(training_epochs):
# Fit training using batch data
sess.run(optimizer, feed_dict={x: train_X, y: train_Y})
end = time.clock()
print end - start #2.5 seconds -> 400 epochs per second
print "Optimization Finished!"
JS代码:
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="utf-8" />
<title>Regression example convnetjs</title>
<script src="http://cs.stanford.edu/people/karpathy/convnetjs/build/convnet.js"></script>
<script src="http://cs.stanford.edu/people/karpathy/convnetjs/build/util.js"></script>
<script>
var layer_defs, net, trainer;
function start() {
layer_defs = [];
layer_defs.push({ type: 'input', out_sx: 1, out_sy: 1, out_depth: 3 });
layer_defs.push({ type: 'fc', num_neurons: 5, activation: 'relu' });
layer_defs.push({ type: 'fc', num_neurons: 5, activation: 'relu' });
layer_defs.push({ type: 'regression', num_neurons: 1 });
net = new convnetjs.Net();
net.makeLayers(layer_defs);
trainer = new convnetjs.SGDTrainer(net, { learning_rate: 0.001, method: 'sgd', batch_size: 1, l2_decay: 0.001, l1_decay: 0.001 });
var start = performance.now();
for(var i = 0; i < 100000; i++) {
var x = new convnetjs.Vol([0.1, 0.2, 0.3]);
trainer.train(x, [0.5]);
}
var end = performance.now();
console.log(end-start); //3 seconds -> 33333 epochs per second
var predicted_values = net.forward(x);
console.log(predicted_values.w[0]);
}
</script>
</head>
<body>
<button onclick="start()">Start</button>
</body>
</html>
结果是,convnetjs在3秒内训练了100'000个时期,而Tensorflow在2.5秒内训练了1000个时期。这是预期的吗?
答案 0 :(得分:15)
原因可能有很多:
数据输入非常小,大部分时间都用于python和C ++核心之间的转换,而JS只是一种语言。
您在Tensorflow中只使用一个核心,而JS可能会利用多个
JS库能够创建一个高度优化的JIT版程序。
当分布式版本公开时,Tensorflow将带来真正的好处。然后,在许多节点上运行大型网络的能力将比单个节点的速度更重要。
答案 1 :(得分:13)
至于现在(版本0.6),如果你使用CPU或GPU进行张量流动并不重要,那么GPU上的张量流也会很慢。
Here are corresponding benchmarks
由于以下原因,Tensorflow可能比CPU上的torch,convnetjs等慢:
根据谣言,谷歌并不关心单台机器的优化。请记住,
3a)我们生活在集群时代
3b)你can buy 57-core processor for 195$(但是,如果TF使用此硬件,我还没有测试
3c)这里what google says about their quantum computer。比传统系统快1亿倍。
TensorFlow比GPU上的caffe,torch等慢,因为:
TF(和0.6一样)不支持cudnn v3和cudnn v4。
这使得TF 0.6比其竞争对手的机器学习桌面/业余爱好者的订单慢几个。
然而,有an issue来解决cuda 7.5和cudnn v3。然而,它与another issue, which is much less concrete(恕我直言)重复关闭。后一个问题仍未解决,并不意味着支持cuda 7.5和cudnn v3 / v4(是的,我是一个悲观主义者)。
所以,我们只能
我和这个问题的作者有同样的困惑。我希望我的回答有所帮助。
答案 2 :(得分:5)
是的,对于小型号,这是预期的。
Tensorflow未针对单项批次的微小神经网进行优化,因为更快地制定该方案是浪费时间。那些型号并不贵,所以没有意义。如果你让小批量的尺寸更大(可能是64个案例)并且模型有点大(数百个隐藏单位),我认为与其他库相比,tensorflow要快得多。
想象一下使用numpy在python中天真地实现神经网络。对于这个模型,一个天真的numpy实现也会很慢。
答案 3 :(得分:0)
问题可能在于您的损失功能。为什么不尝试这个呢?
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(pred, y))