Intro

Kaggle提供免费访问内核中的NVidia K80 GPU。该基准测试表明，在深度学习模型的训练过程中，为您的内核启用GPU可实现12.5倍的加速。
这个内核是用GPU运行的。我将运行时间与在CPU上训练相同模型内核的运行时间进行比较。
GPU的总运行时间为994秒。仅具有CPU的内核的总运行时间为13,419秒。这是一个12.5倍的加速（只有一个CPU的总运行时间是13.5倍）。
将比较仅限于模型训练，我们看到CPU从13,378秒减少到GPU的950秒。因此，模型训练加速有点超过13倍。
确切的加速度取决于许多因素，包括模型架构，批量大小，输入管道复杂性等。也就是说，GPU在Kaggle内核中开辟了很多可能性。
如果您想将这些GPU用于深度学习项目，您可能会发现我们的深度学习课程是最快速的路径，以便您可以运行自己的项目。我们还在我们的数据集平台上添加了新的图像处理数据集，我们总是有许多竞赛让您使用这些免费的GPU来尝试新的想法。

以下文本显示了如何启用GPU并提供有关基准测试的详细信息。

Adding a GPU

我们通过首先打开内核控件来设置此内核以在GPU上运行。

选择“设置”项卡。然后选中启用GPU的复选框。验证GPU是否已连接到控制台栏中的内核，它应在资源使用情况指标旁边显示GPU ON。

GPU支持的实例具有较少的CPU功率和RAM。而且，许多数据科学库无法利用GPU。因此，GPU对某些任务很有价值（特别是在使用TensorFlow，Keras和PyTorch等深度学习库时）。但是对于大多数其他任务而言，如果没有GPU，你会更好。

The data

该数据集包含美国手语中29种不同符号的图像。这些是26个字母（A到Z）加上空格，删除和无标记。我们的模型将查看这些图像，并学习如何对每张图像中的符号进行分类。

以下示例图片

[1]

# Imports for Deep Learning
from keras.layers import Conv2D, Dense, Dropout, Flatten
from keras.models import Sequential
from keras.preprocessing.image import ImageDataGenerator# ensure consistency across runs
from numpy.random import seed
seed(1)
from tensorflow import set_random_seed
set_random_seed(2)# Imports to view data
import cv2
from glob import glob
from matplotlib import pyplot as plt
from numpy import floor
import randomdef plot_three_samples(letter):print("Samples images for letter " + letter)base_path = '../input/asl_alphabet_train/asl_alphabet_train/'img_path = base_path + letter + '/**'path_contents = glob(img_path)plt.figure(figsize=(16,16))imgs = random.sample(path_contents, 3)plt.subplot(131)plt.imshow(cv2.imread(imgs[0]))plt.subplot(132)plt.imshow(cv2.imread(imgs[1]))plt.subplot(133)plt.imshow(cv2.imread(imgs[2]))returnplot_three_samples('A')

Samples images for letter B

Data Processing Set-Up

[3]

data_dir = "../input/asl_alphabet_train/asl_alphabet_train"
target_size = (64, 64)
target_dims = (64, 64, 3) # add channel for RGB
n_classes = 29
val_frac = 0.1
batch_size = 64data_augmentor = ImageDataGenerator(samplewise_center=True, samplewise_std_normalization=True, validation_split=val_frac)train_generator = data_augmentor.flow_from_directory(data_dir, target_size=target_size, batch_size=batch_size, shuffle=True, subset="training")
val_generator = data_augmentor.flow_from_directory(data_dir, target_size=target_size, batch_size=batch_size, subset="validation")

Model Specification

[4]

my_model = Sequential()
my_model.add(Conv2D(64, kernel_size=4, strides=1, activation='relu', input_shape=target_dims))
my_model.add(Conv2D(64, kernel_size=4, strides=2, activation='relu'))
my_model.add(Dropout(0.5))
my_model.add(Conv2D(128, kernel_size=4, strides=1, activation='relu'))
my_model.add(Conv2D(128, kernel_size=4, strides=2, activation='relu'))
my_model.add(Dropout(0.5))
my_model.add(Conv2D(256, kernel_size=4, strides=1, activation='relu'))
my_model.add(Conv2D(256, kernel_size=4, strides=2, activation='relu'))
my_model.add(Flatten())
my_model.add(Dropout(0.5))
my_model.add(Dense(512, activation='relu'))
my_model.add(Dense(n_classes, activation='softmax'))my_model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=["accuracy"])

Model Fitting

[5]

my_model.fit_generator(train_generator, epochs=5, validation_data=val_generator)

Epoch 1/5
1224/1224 [==============================] - 206s 169ms/step - loss: 1.1439 - acc: 0.6431 - val_loss: 0.5824 - val_acc: 0.8126
Epoch 2/5
1224/1224 [==============================] - 179s 146ms/step - loss: 0.2429 - acc: 0.9186 - val_loss: 0.5081 - val_acc: 0.8492
Epoch 3/5
1224/1224 [==============================] - 182s 148ms/step - loss: 0.1576 - acc: 0.9495 - val_loss: 0.5181 - val_acc: 0.8685
Epoch 4/5
1224/1224 [==============================] - 180s 147ms/step - loss: 0.1417 - acc: 0.9554 - val_loss: 0.4139 - val_acc: 0.8786
Epoch 5/5
1224/1224 [==============================] - 181s 148ms/step - loss: 0.1149 - acc: 0.9647 - val_loss: 0.4319 - val_acc: 0.8948<keras.callbacks.History at 0x7f5cbb6537b8>

在Kaggle上免费使用GPU相关推荐

怎么上永久免费的GPU与TPU服务器colab
什么是 Colaboratory? 借助 Colaboratory(简称 Colab),可以在浏览器中编写和执行 Python 代码,并且: 无需任何配置免费使用 GPU,TPU 轻松共享 cola ...
tensorflow切换到gpu_使用免费的GPU进行深度学习
Colab简介 Google做过一件很酷的事情--提供免费的GPU云服务器,内置Jupyter Notebook环境,叫做"Colaboratory".因此它是一个很好的工具,可以 ...
Colaboratory：手把手教你使用Google免费的云端IDE进行深度学习(免费的GPU加速)的详细攻略
Colaboratory:手把手教你使用Google免费的云端IDE进行深度学习(免费的GPU加速)的详细攻略目录 Colaboratory简介 Colaboratory使用步骤 (1).首先登陆谷 ...
计算机视觉相关比赛,竞赛 | Kaggle上有哪些有趣又多金的计算机视觉类比赛？
原标题:竞赛 | Kaggle上有哪些有趣又多金的计算机视觉类比赛? 本文阅读时间约5分钟如今计算机视觉已经成为人工智能领域的热门研究对象,很多小伙伴都想通过一些有效的途径来学习和运用所学知识,有什 ...
Kaggle上的犬种识别（ImageNet Dogs）
Kaggle上的犬种识别(ImageNet Dogs) Dog Breed Identification (ImageNet Dogs) on Kaggle 在本节中,将解决在Kaggle竞赛中的犬种 ...
如何下载kaggle上的数据集
如何下载kaggle上的数据集 1 直接下载 2 通过kaggle提供的API下载数据集 2.1 Cifar10 数据集地址 2.2 kaggle如何通过kaggle提供的API下载数据集 3 错误 ...
Kaggle上主要有两大方法：梯度提升机和深度学习
Python深度学习: 在2016年和2017年,Kaggle上主要有两大方法:梯度提升机和深度学习.具体而言,梯度提升机用于处理结构化数据的问题,而深度学习则用于图像分类等感知问题.使用前一种方法的 ...
在Kaggle上赢得大数据竞赛的技巧和窍门
在Kaggle上赢得大数据竞赛的技巧和窍门解决方案平台数据应用方法阅读1906 原文:The tips and tricks I used to succeed on Kaggle 作 ...
kaggle上面的score以及ROC_AUC数值咋回事
TP:真的传染病患者被检测为传染病患者 FP:假的传染病患者被检测为传染病患者假如现在10000人其中9900正常,100人禽流感. 如果你的分类器全部设定为正常,那么精度就是9900,但是这个我 ...

在Kaggle上免费使用GPU