（一）tensorflow-gpu2.0學習筆記之開篇

摘要：

1.以動態圖形式計算一個簡單的加法

2.cpu和gpu計算力比較（包括如何指定cpu和gpu）

3.關於gpu版本的tensorflow安裝問題，能夠參考另外一篇博文：https://www.cnblogs.com/liuhuacai/p/11684666.html

正文：

1.在tensorflow中計算3.+4.

##1.建立輸入張量
a = tf.constant(2.)
b = tf.constant(4.)
##2.計算結果
print('a+b=',a+b)

輸出：a+b= tf.Tensor(7.0, shape=(), dtype=float32)

總結：20版本在加法實現過程當中簡單了很多，所見即所得。（1.x的實現過程相對複雜）聽說動態的實現也是後端轉化成靜態圖實現的。

2.cpu和gpu計算力比較

說明：經過計算不一樣大小的矩陣乘法，得到計算時間。

　　1.指定cpu或gpu經過 with tf.device('/cpu:0'):或 with tf.device('/gpu:0'):指定，在須要加速的操做前添加便可（此處生成隨機　　　　           數和矩陣乘法都加速）

　　2.統計計算時間的函數timeit.timeit須要導入import timeit【timeit.timeit(需計時的函數或語句，計算次數)】

　　3.計算量的大小與cpu和gpu計算時間的關係，計算量經過改變矩陣大小實現

import tensorflow as tf
import timeit
以矩陣A[10,n]和矩陣B[n,10]的乘法運算（分別在cpu和gpu上運行）來測試，
'''
with tf.device('/cpu:0'):                    ##指定操做用cpu計算
    cpu_a = tf.random.normal([10,n])        ##生成符合高斯分佈的隨機數矩陣，經過改變n大小，增減計算量
    cpu_b = tf.random.normal([n,10])
print(cpu_a.device,cpu_b.device)
with tf.device('/gpu:0'):
    gpu_a = tf.random.normal([100n])
    gpu_b = tf.random.normal([n,10])
print(gpu_a.device,gpu_b.device)
def cpu_run():
    with tf.device('/cpu:0'):               ##矩陣乘法，此操做採用cpu計算
        c = tf.matmul(cpu_a,cpu_b)
    return c
def gpu_run():
    with tf.device('/gpu:0'):              ##矩陣乘法，此操做採用gpu計算
        c = tf.matmul(gpu_a,gpu_b)
    return c
##第一次計算須要熱身，避免將初始化時間計算在內
cpu_time = timeit.timeit(cpu_run,number=10)
gpu_time = timeit.timeit(gpu_run,number=10)
print('warmup:',cpu_time,gpu_time)
##正式計算10次，取平均值
cpu_time = timeit.timeit(cpu_run,number=10)
gpu_time = timeit.timeit(gpu_run,number=10)
print('run_time:',cpu_time,gpu_time)

 　　經過改變矩陣大小，增長矩陣乘法的計算量：計算結果以下

　　結論：1.在計算量較小的狀況下，cpu的計算速度比gpu計算速度快，可是都是微量級別的差別

　　　　　2.隨着計算量的增長，cpu的計算時間逐步增長，而gpu的計算時間相對平緩，在計算量達到必定程度以後，gpu的優點就出來了。

 

 　　實現過程的完整代碼：

　　

import tensorflow as tf
import timeit
import matplotlib.pyplot as plt
'''
以矩陣A[10,n]和矩陣B[n,10]的乘法運算（分別在cpu和gpu上運行）來測試，
'''
def cpu_gpu_compare(n):
    with tf.device('/cpu:0'):                    ##指定操做用cpu計算
        cpu_a = tf.random.normal([10,n])        ##生成符合高斯分佈的隨機數矩陣，經過改變n大小，增減計算量
        cpu_b = tf.random.normal([n,10])
    print(cpu_a.device,cpu_b.device)
    with tf.device('/gpu:0'):
        gpu_a = tf.random.normal([10,n])
        gpu_b = tf.random.normal([n,10])
    print(gpu_a.device,gpu_b.device)
    def cpu_run():
        with tf.device('/cpu:0'):               ##矩陣乘法，此操做採用cpu計算
            c = tf.matmul(cpu_a,cpu_b)
        return c
    def gpu_run():
        with tf.device('/gpu:0'):              ##矩陣乘法，此操做採用gpu計算
            c = tf.matmul(gpu_a,gpu_b)
        return c
    ##第一次計算須要熱身，避免將初始化時間計算在內
    cpu_time = timeit.timeit(cpu_run,number=10)
    gpu_time = timeit.timeit(gpu_run,number=10)
    print('warmup:',cpu_time,gpu_time)
    ##正式計算10次，取平均值
    cpu_time = timeit.timeit(cpu_run,number=10)
    gpu_time = timeit.timeit(gpu_run,number=10)
    print('run_time:',cpu_time,gpu_time)
    return cpu_time,gpu_time
n_list1 = range(1,2000,5)
n_list2 = range(2001,10000,100)
n_list = list(n_list1)+list(n_list2)
time_cpu =[]
time_gpu =[]
for n in n_list:
    t=cpu_gpu_compare(n)
    time_cpu.append(t[0])
    time_gpu.append(t[1])
plt.plot(n_list,time_cpu,color = 'red',label='cpu')
plt.plot(n_list,time_gpu,color='green',linewidth=1.0,linestyle='--',label='gpu')
plt.ylabel('耗時',fontproperties = 'SimHei',fontsize = 20)
plt.xlabel('計算量',fontproperties = 'SimHei',fontsize = 20)
plt.title('cpu和gpu計算力比較',fontproperties = 'SimHei',fontsize = 30)
plt.legend(loc='upper right')
plt.show()