Question

我正在测试我的新NVIDIA Titan V，它支持float16操作。我注意到在训练期间，float16比float32（~500 ms /步）慢得多（~800 ms /步）。

要执行float16操作，我将keras.json文件更改为：

{
"backend": "tensorflow",
"floatx": "float16",
"image_data_format": "channels_last",
"epsilon": 1e-07
}

为什么float16操作这么慢？我是否需要修改我的代码而不仅仅是keras.json文件？

我在Windows 10上使用CUDA 9.0，cuDNN 7.0，tensorflow 1.7.0和keras 2.1.5。我的python 3.5代码如下：

img_width, img_height = 336, 224

train_data_dir = 'C:\\my_dir\\train'
test_data_dir = 'C:\\my_dir\\test'
batch_size=128

datagen = ImageDataGenerator(rescale=1./255,
    horizontal_flip=True,   # randomly flip the images 
    vertical_flip=True) 

train_generator = datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_height, img_width),
    batch_size=batch_size,
    class_mode='binary')

test_generator = datagen.flow_from_directory(
    test_data_dir,
    target_size=(img_height, img_width),
    batch_size=batch_size,
    class_mode='binary')

# Architecture of NN
model = Sequential()
model.add(Conv2D(32,(3, 3), input_shape=(img_height, img_width, 3),padding='same',kernel_initializer='lecun_normal'))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(32,(3, 3),padding='same'))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(64,(3, 3),padding='same'))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(64,(3, 3),padding='same'))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(AveragePooling2D(pool_size=(2,2)))
model.add(Flatten())
model.add(Dense(1))
model.add(Activation('sigmoid'))

my_rmsprop = keras.optimizers.RMSprop(lr=0.0001, rho=0.9, epsilon=1e-04, decay=0.0)
model.compile(loss='binary_crossentropy',
          optimizer=my_rmsprop,
          metrics=['accuracy'])

# Training 
nb_epoch = 32
nb_train_samples = 512
nb_test_samples = 512

model.fit_generator(
    train_generator,
    steps_per_epoch=nb_train_samples/batch_size,
    epochs=nb_epoch,
    verbose=1,
    validation_data=test_generator,
    validation_steps=nb_test_samples/batch_size)

# Evaluating on the testing set
model.evaluate_generator(test_generator, nb_test_samples)

Answer 1

从documentation of cuDNN（第2.7节，类型转换小节）中，您可以看到：

注意：累加器是32位整数，溢出时会自动换行。

，并且适用于以下标准INT8数据类型：数据输入，过滤器输入和输出。

在这些假设下，@ jiandercy是正确的，即先进行float16到float32的转换，然后再进行反向转换，然后再返回结果，float16会更慢。

Answer 2

我更新到CUDA 10.0，cuDNN 7.4.1，tensorflow 1.13.1，keras 2.2.4和python 3.7.3。使用与OP中相同的代码，与float32相比，float16的训练时间略快。

我完全希望更复杂的网络体系结构在性能上会有更大的差异，但是我没有对此进行测试。

Floras16比keras中的float32慢

2 个答案: