En voulant tester quelques bouts de code utilisant Tensorflow, j’ai constat\u00e9 que mon PC datait un peu: il n’a pas de support CPU supportant les instructions AVX.<\/p>\n\n\n\n
Une version \u00ab\u00a0raspberry-pi\u00a0\u00bb existe depuis 2018 mais elle est loin de permettre de travailler efficacement. L’exemple classic sur le dataset MNIST prend en effet un temps assez cons\u00e9quent \u00e0 s’ex\u00e9cuter:<\/p>\n\n\n\n
import tensorflow as tf\nmnist = tf.keras.datasets.mnist\n\n(x_train, y_train),(x_test, y_test) = mnist.load_data()\nx_train, x_test = x_train \/ 255.0, x_test \/ 255.0\n\nmodel = tf.keras.models.Sequential([\n tf.keras.layers.Flatten(),\n tf.keras.layers.Dense(512, activation=tf.nn.relu),\n tf.keras.layers.Dropout(0.2),\n tf.keras.layers.Dense(10, activation=tf.nn.softmax)\n])\nmodel.compile(optimizer='adam',\n loss='sparse_categorical_crossentropy',\n metrics=['accuracy'])\n\nmodel.fit(x_train, y_train, epochs=5)\nmodel.evaluate(x_test, y_test)\n<\/pre>\n\n\n\nLe r\u00e9sultat avec le raspberry-pi:<\/p>\n\n\n\n
pi@raspberrypi:~\/tensorflow $ python3 mninst.py
Downloading data from ...
11493376\/11490434 [===] - 2s 0us\/step
Epoch 1\/5
60000\/60000 [===] - 107s 2ms\/step - loss: 0.2007 - acc: 0.9407
Epoch 2\/5
60000\/60000 [===] - 104s 2ms\/step - loss: 0.0797 - acc: 0.9758
Epoch 3\/5
60000\/60000 [===] - 104s 2ms\/step - loss: 0.0515 - acc: 0.9835
...<\/pre>\n\n\n\nSoit pr\u00e8s de 2ms par step.<\/p>\n\n\n\n
Depuis une ann\u00e9e, Google propose Colab : https:\/\/colab.research.google.com qui permet gratuitement un environnement Jupyter avec tensorflow pr\u00e9-install\u00e9. Il y a m\u00eame des GPU disposition.<\/p>\n\n\n\n
CPU:<\/p>\n\n\n\n
Epoch 1\/5
60000\/60000 [===] - 17s 289us\/sample - loss: 0.2223 - acc: 0.9342
Epoch 2\/5
60000\/60000 [===] - 17s 281us\/sample - loss: 0.0969 - acc: 0.9706
Epoch 3\/5
60000\/60000 [===] - 17s 282us\/sample - loss: 0.0696 - acc: 0.9783
Epoch 4\/5
60000\/60000 [===] - 17s 286us\/sample - loss: 0.0532 - acc: 0.9836
Epoch 5\/5
60000\/60000 [===] - 18s 301us\/sample - loss: 0.0442 - acc: 0.9856
10000\/10000 [===] - 1s 64us\/sample - loss: 0.0715 - acc: 0.9805
[0.07151023466372862, 0.9805]<\/pre>\n\n\n\nGPU:<\/p>\n\n\n\n
Epoch 1\/5
60000\/60000 [===] - 8s 136us\/sample - loss: 0.2170 - acc: 0.9358
Epoch 2\/5
60000\/60000 [===] - 8s 134us\/sample - loss: 0.0954 - acc: 0.9718
Epoch 3\/5
60000\/60000 [===] - 8s 133us\/sample - loss: 0.0690 - acc: 0.9781
Epoch 4\/5
60000\/60000 [===] - 8s 133us\/sample - loss: 0.0530 - acc: 0.9830
Epoch 5\/5
60000\/60000 [===] - 8s 134us\/sample - loss: 0.0442 - acc: 0.9853
10000\/10000 [===] - 1s 70us\/sample - loss: 0.0609 - acc: 0.9807
[0.06085205714175245, 0.9807]<\/pre>\n\n\n\nLa version CPU sur Colab est plus de 5x plus rapide que sur un raspberry-pi et la version GPU 10x plus rapide (pour l’exemple ci-dessus).<\/p>\n\n\n\n
Il peut donc \u00eatre int\u00e9ressant de cr\u00e9er ses mod\u00e8les sur Colab, \u00e0 condition d’\u00eatre conscient que Google y a probablement acc\u00e8s…<\/p>\n","protected":false},"excerpt":{"rendered":"
En voulant tester quelques bouts de code utilisant Tensorflow, j’ai constat\u00e9 que mon PC datait un peu: il n’a pas de support CPU supportant les instructions AVX. Une version \u00ab\u00a0raspberry-pi\u00a0\u00bb existe depuis 2018 mais elle est loin de permettre de … Continue reading