代码之家 › 专栏 › 技术社区 › fatdragon

TPU比GPU慢?

google-cloud-tpu google-colaboratory gpu machine-learning tensorflow

3

fatdragon · 技术社区 · 8 年前

  random_image = tf.random_normal((100, 100, 100, 3))
  result = tf.layers.conv2d(random_image, 32, 7)
  result = tf.reduce_sum(result)

性能结果:

CPU: 8s
GPU: 0.18s
TPU: 0.50s

我想知道为什么。。。。TPU的完整代码如下所示:

def calc():
  random_image = tf.random_normal((100, 100, 100, 3))
  result = tf.layers.conv2d(random_image, 32, 7)
  result = tf.reduce_sum(result)
  return result

tpu_ops = tf.contrib.tpu.batch_parallel(calc, [], num_shards=8)

session = tf.Session(tpu_address)
try:
  print('Initializing global variables...')
  session.run(tf.global_variables_initializer())
  print('Warming up...')
  session.run(tf.contrib.tpu.initialize_system())
  print('Profiling')
  start = time.time()
  session.run(tpu_ops)
  end = time.time()
  elapsed = end - start
  print(elapsed)
finally:
  session.run(tf.contrib.tpu.shutdown_system())
  session.close()

1 回复 | 直到 7 年前

1

8

Russell Power 8 年前

正确地对设备进行基准测试是很困难的,因此请对从这些示例中学到的所有内容持保留态度。一般来说,最好比较您感兴趣的特定模型(例如运行ImageNet网络),以了解性能差异。也就是说,我知道这样做很有趣,所以。。。

更大的型号将更好地说明TPU和GPU的性能。您的示例还包括TPU调用成本中的编译时间:给定程序和形状的第一次调用之后的每个调用都将被缓存,因此您需要 tpu_ops 启动计时器前一次,除非您想捕获编译时间。

10 0.09931182861328125
100 0.5581905841827393
500 2.7688047885894775

. 因此,您实际上可以在0.55秒内运行此函数的100次迭代。

import os
import time
import tensorflow as tf

def calc(n):
  img = tf.random_normal((128, 100, 100, 3))
  def body(_):
    result = tf.layers.conv2d(img, 32, 7)
    result = tf.reduce_sum(result)
    return result

  return tf.contrib.tpu.repeat(n[0], body, [0.0])


session = tf.Session('grpc://' + os.environ['COLAB_TPU_ADDR'])
try:
  print('Initializing TPU...')
  session.run(tf.contrib.tpu.initialize_system())

  for i in [1, 10, 100, 500]:
    tpu_ops = tf.contrib.tpu.batch_parallel(calc, [[i] * 8], num_shards=8)
    print('Warming up...')
    session.run(tf.global_variables_initializer())
    session.run(tpu_ops)
    print('Profiling')
    start = time.time()
    session.run(tpu_ops)
    end = time.time()
    elapsed = end - start
    print(i, elapsed)
finally:
  session.run(tf.contrib.tpu.shutdown_system())
  session.close()