可以看到在训练这个模型时，GTX 1080 Ti比AWS P2 K80快2.4倍，这有点惊人，因为两个显卡的性能应该差不多，我觉得可能是AWS上有降频或者受到虚拟化的影响。

　　CPU的表现比GPU慢9倍。有趣的是，i5 7500比亚马逊的虚拟CPU快2.3倍。

　　VGG微调

　　为Kaggle猫狗识别竞赛而微调一个VGG网络。使用相同的batch在CPU上运行这个模型不可行，所以我们在GPU上微调了390个batch，在CPU上是10个batch。代码如下：

　　https://github.com/slavivanov/cats_dogs_kaggle

　　这次1080 Ti比AWS P2 K80快5.5倍。CPU在这个环节的表现，最多慢了200倍。

　　Wasserstein GAN

　　生成对抗网络（GAN）用来训练模型产生图像。Wasserstein GAN是原始GAN的一个改进版。我这里用了一个PyTorch实现，代码地址：

　　https://github.com/martinarjovsky/WassersteinGAN

　　这个模型需要50步训练，CPU在这个训练中不予考虑。

　　GTX 1080 Ti比AWS P2 K80快5.5倍。

　　风格迁移

　　最后一个测试是在TensorFlow上的风格迁移实现，代码地址：

　　https://github.com/slavivanov/Style-Tranfer

　　GTX 1080 Ti比AWS P2 K80快4.3倍。CPU比GPU慢30-50倍。

　　好啦，关于万元打造一个深度学习系统的分享，就先到这里。

　　各位端午节快乐。

　　【完】

　　招聘

　　我们正在招募编辑记者、运营等岗位，工作地点在北京中关村，期待你的到来，一起体验人工智能的风起云涌。

　　相关细节，请在公众号对话界面，回复：“招聘”两个字。

　　One More Thing…

　　今天AI界还有哪些事值得关注？在量子位（QbitAI）公众号会话界面回复“今天”，看我们全网搜罗的AI行业和研究动态。笔芯~

　　另外，欢迎加量子位小助手的微信：qbitbot，如果你研究或者从事AI领域，小助手会把你带入量子位的交流群里。

　　追踪人工智能领域最劲内容