计算机视觉领域的'hello world'—MNIST 数据库，收集了 70，000 个手写的数字。我们运行 Keras 中的多层感知机 (MLP) 来处理 MNIST 数据库。多次感知机只需全连接层而不用卷积。该模型将数据训练了 20 个 epoch 之后，准确率达到了 98%。

训练该模型时，GTX 1080 Ti 比 AWS P2 的 K80 要快 2.4 倍。这是让人感到惊讶的结果，因为通常说来这二者的表现应该差不多。我认为原因可能出在 AWS K80 的虚拟化或者降频问题上。

CPU 运行起来比 GPU 慢 9 倍之多。所有实验结束后我们可知，这其实对处理器来说已经是一个很好的结果了。因为此类简单模型还不能充分发挥出 GPU 并行运算的能力。

有意思的是，台式机 Intel i5-7500 在 Amazon 的虚拟 CPU 上实现了 2.3 倍的加速。

VGG（Visual Geometry Group）调参

VGG 网络将被用于 Kaggle 举办的猫狗辨识比赛。这个比赛旨在辨识出给定图片是猫还是狗。在 GPU 上运行相同批次（batches）数量的模型不太可行。所以我们在 GPU 上运行 390 批次（1 epoch），在 CPU 上运行 10 个批次。代码可以在 GitHub 上找到：https://github.com/slavivanov/cats_dogs_kaggle

1080 Ti 比 AWS GPU(K80) 快了 5.5 倍。这应该与上一个实验结果（i5 快 2.6 倍）有类似的原因。然而 CPU 对于该任务来说根本不适用，因为相较于 GPU, 运行这种包括了 16 层卷积层和一对 semi-wide（4098）全连接层的大型模型，CPU 得花 200 多倍的时间。

Wasserstein GAN

GAN（生成对抗网络）是一种训练模型使其生成图片的方法。其原理是将两种网络结构放在一起相互对抗：其生成器将学习生成越来越高质量的图片，而辨别器则会尝试辨别出哪些图片是真实的哪些是由生成其「伪造」出来的。

Wasserstein GAN 是经典生成对抗网络的升级。我们用 PyTorch 来实现这一模型，该实现和 WGAN 作者所完成的很像。模型训练了 50 步，几乎每一步都有损失，这是 GAN 网络模型的普遍情况。通常并不考虑使用 CPU 来完成。

GTX 1080Ti 比 AWS P2 K80 快了 5.5 倍，这样的结果与之前的实验结果是一致的。

风格迁移

最后一个基准测试是源自一篇关于图片风格转换器的论文（Gateys et al.），使用的是 Tensorflow。风格转换是一种图片处理技术，它能将某一张图片（比如一幅画）的风格与另一张图片的内容相结合，从而生成新的图片。它分离和重组任意图像的内容和样式，为艺术图像的创建提供了一种新算法。

GTX 1080Ti 比 AWS P2 K80 快了 4.3 倍。这次 CPU 比 GPU 慢了 30-50 倍，已经比在 VGG 任务中的表现好多了，但仍然比 MNIST 多层感知机实验结果慢。该模型主要使用 VGG 网络中的较初级的层级，我怀疑这样浅层的网络无法充分利用 GPU。

以上就是这一次搭建的深度学习盒子的基准测试，我不知道从 AWS 转入到自建服务器到底是好还是坏，但时间会告诉我们一切！

原文地址：https://blog.slavv.com/the-1700-great-deep-learning-box-assembly-setup-and-benchmarks-148c5ebe6415