Глубокое обучение с TensorFlow на GPU

В этом видео я рассказываю, что такое графические карты показываю на конкретных примерах, как их использование ускоряет глубокое обучение в разы.

Демонстрационные ноутбуки я запускаю в докер контейнерах. Докер с ноутбуками без поддержки GPU можно запустить командой

docker run -p 8888:8888 -it tensorflow/tensorflow jupyter notebook --allow-root --NotebookApp.token=''

С поддержкой GPU:

nvidia-docker run -p 7777:8888 -it tensorflow/tensorflow:latest-gpu jupyter notebook --allow-root --NotebookApp.token=''

Инструкцию по установке докера можно найти на его официальном сайте https://docs.docker.com

Установка утилиты nvidia-docker, позволяющей обращаться к графической карте, описана здесь https://github.com/NVIDIA/nvidia-docker

Ну а лучший способ измерения времени выполнения ноутбука - добавить в его начало
import time
start = time.time()

и в конец:
print ("Notebook execution has been done in {}s".format(time.time() - start))

Рекомендую запускать ноутбук несколько раз - тогда появится возможность найти среднюю скорость выполнения кода. При первом запуске ноутбук скачивает обучающую выборку с сайта, поэтому учитывать время его выполнения не стоит.