这个主要取决于现在CPU需要多少时间，如果现在时间是以小时为单位的话，比如需要几小时到几十个小时，那就无所谓了，等呗。如果现在时间是以周为单位的话，比如需要几周到几十周，那就意义重大了。
一般可以快几十倍的，原本CPU上跑一个月的训练任务上合适的GPU通常可以在一天内完成。

【 在 ds9 的大作中提到: 】
: 我用ResNet进行图像分类（由于我的图像比较小，所以模型的参数比论文上的少一些）
: 现在是在普通CPU上进行训练模型的，感觉比较慢，正在考虑是否花时间精力来改用GPU
: 训练模型
: ...................
--
FROM 122.238.141.*

我的应用在CPU上训练要几个小时,但问题是要不断调参训练很多次
另外,也在考虑搞更多的数据,用更大的模型

【 在 ECUCoder (Engineer) 的大作中提到: 】
: 这个主要取决于现在CPU需要多少时间，如果现在时间是以小时为单位的话，比如需要几小时到几十个小时，那就无所谓了，等呗。如果现在时间是以周为单位的话，比如需要几周到几十周，那就意义重大了。
: 一般可以快几十倍的，原本CPU上跑一个月的训练任务上合适的GPU通常可以在一天内完成。
--
FROM 208.82.100.*

CPU来训练最不爽的是多核并行太差。上8个核只能比单核快一倍（大概）
我想原因是每个iteration都要同步。

这样的话模型网络小的话对CPU多核是不是不友好啊？
【 在 masharp (masharp) 的大作中提到: 】
: 我也在搞类似的事情，打算用轻量级模型 MobileNet这类试试 这类网络对CPU友好
--
FROM 208.82.100.*

如果8核比1核只快这么点，那你需要优化代码了。
【 在 ds9 的大作中提到: 】
: CPU来训练最不爽的是多核并行太差。上8个核只能比单核快一倍（大概）
: 我想原因是每个iteration都要同步。
: 这样的话模型网络小的话对CPU多核是不是不友好啊？
: ...................
--
FROM 27.18.230.*

可以去了解下分布式训练方法，大量cpu和gpu都可以一起并行加速训练的
【 在 ds9 的大作中提到: 】
: 我用的是pytorch
: 优化代码是pytorch平台开发人员的事情,我想优化都没法优化啊
: 从原理上也很容易理解,每个iteration需要所有线程的计算结果汇总同步,多核想快也快不起来啊
: ...................
--
FROM 27.18.230.*