Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Optimización
Para sacarle el máximo partidoGPUs, puede optimizar su canalización de datos y ajustar su red de aprendizaje profundo. Como se describe en el siguiente gráfico, una implementación básica o ingenua de una red neuronal podría utilizar su potencial de GPU manera inconsistente y no aprovechada al máximo. Cuando optimiza el preprocesamiento y la carga de datos, puede reducir el cuello de botella que va del suyo al suyo. CPU GPU Puede ajustar la propia red neuronal mediante la hibridación (si el marco de trabajo la admite), ajustando el tamaño del lote y sincronizando las llamadas. También puede utilizar entrenamiento de precisión múltiple (float16 o int8) en la mayoría de los marcos de trabajo, lo que puede tener un efecto drástico en la mejora del rendimiento.
El gráfico siguiente muestra la mejora acumulativa del rendimiento que se obtiene cuando se aplican distintas optimizaciones. Los resultados dependerán de los datos que esté procesando y de la red que esté optimizando.
Ejemplos de optimizaciones de GPU rendimiento. Fuente del gráfico: Performance Tricks with Gluon MXNet
Las siguientes guías presentan opciones que se adaptarán a sus necesidades DLAMI y le ayudarán a mejorar su GPU rendimiento.
