processing游戏代码

代码"/>

processing游戏代码

相信不少混迹 Kaggle、天池 的同学都有算力不足的困扰，如果你还在靠薅资本主义羊毛（指 colab，kaggle kernel）勉强度日，这篇文章应该会对你有所帮助（末尾有福利）。

自己搭建一个适合打竞赛的深度学习主机到底要花多少钱？如果在某宝直接搜索「深度学习」后一定会劝退不少有这种想法的同学。

其实，如果使用二手硬件配置 + 矿卡，一台可用来打竞赛的主机可能只需要 3000 不到就够了。

试验

下面是各个显卡的实战评测，实战项目选用 Kaggle TGS ，参赛选手依次为：

• 矿卡科代表 P106-100
• 游戏卡科代表 RTX 1080 ti
• 特斯拉科代表 P80（Colab）
• 没有卡科代表 CPU: Intel(R) Core(TM) i3-9100F CPU @ 3.60GHz

注意，这不是严格的基准测试，只是用我之前做过的一个比赛来看看就实际问题各个 GPU 的表现如何，代码都是同一套，但其他硬件配置会稍有不同。

测试都使用了同一套代码，核心逻辑为使用 Unet + ResNet34，对 TGS 官方数据集 的训练集训练一轮后停止，为尽可能测试到 GPU 速度，忽略掉了模型的存储、图片增强等逻辑。

4 个试验的笔记本都已公开分享，可以在笔记本中找到更详细的结论、机器配置以及整个训练代码，下面是各个训练的结果：

CPU ONLY：

总共用时：301s 平均每秒迭代：1.21次

公开笔记本地址：

专业卡 K80（Colab）

总共用时：108s 平均每秒迭代：2.3次

公开笔记本地址：=sharing

游戏卡 RTX 1080 ti

总共用时：21s 平均每秒迭代：12次

公开笔记本地址：

矿卡 P106-100

总共用时：48s 平均每秒迭代：5.2次

公开笔记本地址：

结论

每秒可执行的 iterations 对比：

获胜者当然是用 jio 都能想到的 1080ti，不过 K80 比某宝500块一张的矿卡慢一倍这是我没想到的。当然这里有很多其他影响因素，Google Colab 的 CPU 只有两核，但代码里都使用了 4 个进程的数据加载器，并且 1080 ti 以及 P106 都是运行在独立的物理机上的。

下面是 P 106 跟其他 GPU 的参数对比，

参考：

.c2980