Question

我一直在尝试不同类型的卷积层，以检查它们的计算速度。一开始我的代码如下。

def conv_block_A(layer):
    block = tf.keras.layers.Conv2D(filters=128, kernel_size=3, strides=1, padding='same')(layer)
    block = tf.keras.layers.Conv2D(filters=196, kernel_size=3, strides=1, padding='same')(block)
    block = tf.keras.layers.Conv2D(filters=128, kernel_size=3, strides=1, padding='same')(block)
    block = tf.keras.layers.BatchNormalization(momentum=0.8)(block)
    block = tf.keras.layers.LeakyReLU(alpha=0.2)(block)

    return block

在浏览了一些博客之后，我将代码更改为

def conv_block_A(layer):
    block = tf.keras.layers.SeparableConv2D(filters=128, kernel_size=3, strides=1, padding='same')(layer)
    block = tf.keras.layers.SeparableConv2D(filters=196, kernel_size=3, strides=1, padding='same')(block)
    block = tf.keras.layers.SeparableConv2D(filters=128, kernel_size=3, strides=1, padding='same')(block)
    block = tf.keras.layers.BatchNormalization(momentum=0.8)(block)
    block = tf.keras.layers.LeakyReLU(alpha=0.2)(block)

    return block

在CPU上，训练过程的速度提高了一倍，但是在Tesla T4上，训练变得非常慢。可能是什么原因？

Answer 1

这是GPU的已知问题，已在#33836中修复。另外，您应该更新GPU驱动程序。根据经验，在内核较大的情况下，通过可分离卷积进行加速会更明显，因为进行两次卷积的开销可能大于加速。

为什么SeparableConv2D比Conv2D慢？

1 个答案: