Aynı matematik neden birkaç kat hızlı çalışabilir
Neden önemli Bu kurs grafik kartı olmayan herhangi bir dizüstünde çalışır. Bu işe yarar çünkü bir matris çarpımı aynı CPU üzerinde yavaş ya da çok hızlı yapılabilir, ve kurs hızlı yolu kullanır.
(n, k) ile (k, m) boyutlu bir matris çarpımı yaklaşık 2 çarpı n çarpı k çarpı m kayan noktalı işlem (FLOP) tutar. BLAS denen kütüphaneler bunu sayıları CPU'nun en hızlı belleğinde tutan ve vektör komutlarını kullanan özenle ayarlanmış kodla yapar. Bu tarayıcının Python'unda düz NumPy böyle bir kütüphane olmadan çarpar; kursun nnsim.engine.mm fonksiyonu bunun yerine SciPy'nin BLAS'ından geçer, bu da kursun kendi testlerinde tarayıcıda 2 ile 5 kat daha hızlı ölçüldü. Bir dizüstünün sıradan Python'unda NumPy zaten ayarlanmış bir BLAS kullanır, bu yüzden mm orada daha hızlı değildir ve daha yavaş olabilir (bir testte @'in hızının yaklaşık 0.4 katı): hızlanma matematikle değil, bu tarayıcıyla ilgili bir gerçektir.
Saniye başına FLOP cinsinden hızı almak için FLOP'u saniyeye böl. Bu tek sayı, FLOP Defteri ile birlikte, herhangi bir eğitim çalıştırmasının başlamadan ne kadar süreceğini tahmin etmeni sağlar.
BLAS: Basic Linear Algebra Subprograms, vektör ve matris matematiği için standart hızlı rutinler.
Bu dersteki kelimeler ve semboller
- BLAS, GFLOP/s
- hızlı standart matematik rutinleri; saniyede milyarlarca işlem
flops(n, k, m) ve gflops_per_s(n, k, m, seconds) yaz. Sonra zamanlamayı çalıştır ve my_speedup değerini burada mm'nin @'ten kaç kat hızlı olduğuna ayarla (dürüstçe ölçülmüş herhangi bir değer; makineye bağlıdır).
Bu derste bir sorun mu fark ettin? Bildir · Bu ders hakkında soru sor
Bu alıştırma yakında açılacak
Bu dersi bitirince bu ders açılacak. Kursun tamamı ücretsiz, hesap gerekmiyor ve bu dersi hemen şimdi okuyabilirsin.
Bu tarayıcı learn.floati.life için çerezleri engelliyor, bu yüzden burada bitirdiğin dersler sırasıyla açılamıyor. Bu site için çerezlere izin ver ve sayfayı yenile.