【经典卷积神经网络CNN模型 之 VGG16Net】模型实验，强烈建议使用GPU来跑，经试验，若使用CPU，普通PC理论上需要超过100小时

最新推荐文章于 2025-07-28 18:51:44 发布
最新推荐文章于 2025-07-28 18:51:44 发布
阅读量1.1k 收藏 6
点赞数 7
CC 4.0 BY-SA版权
分类专栏： Python从入门到人工智能 文章标签： 经典卷积神经网络 VGG16Net 深度学习 torch 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44731019/article/details/128782602
本文介绍了VGG16Net模型的结构与实验过程，强调了模型的深度和卷积层特点。作者分享了在CPU上运行的困难，建议使用GPU以缩短超长的训练时间。提供了PyCharm环境下配置信息，以及net.py、test.py、train.py等关键代码文件的注释。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

了解本专栏 订阅专栏 解锁全文
【经典卷积神经网络CNN模型 之 ResNet18】模型实验，使用CPU跑，一轮就已超过1小时，使用GPU时间会缩短吗
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
01-29 2237
希望有朋友可以分享一下，使用GPU来跑，一轮用了多长时间？【经典卷积神经网络CNN模型 之 ResNet18】模型实验，使用CPU跑，一轮就已超过1小时，使用GPU时间会缩短吗？
【经典卷积神经网络CNN模型 之 GoogLeNet】模型实验，希望能有朋友完整执行一遍。（仅一轮，居然就已超过60分钟，100轮呢）
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
01-29 542
这里我只是记录一下【经典卷积神经网络CNN模型 之 GoogLeNet】模型实验，希望能有朋友完整执行一遍。
基于数据并行实现多GPU跑模型预测（VGG16示例）
12-21
个人总结能实现多GPU跑图的方法： 1、使用谷歌框架tf.estimator； session_config = tf.ConfigProto(device_count={'GPU': 0,'GPU':1,'GPU':2,'GPU':3}) run_config = tf.estimator.RunConfig().replace(session_config=session_config) estimator = tf.estimator.Estimator( model_fn=model_fn, model_dir=FLAGS.model_dir, config=run_co
VGG16_cpu
qq_43620727的博客
01-24 773
import torch import torch.nn as nn import torchvision.models as models import matplotlib.pyplot as plt import torchvision.datasets import torchvision.transforms as transforms from collections.abc import Iterable # 检测是否可以使用GPU from torch.utils.data import .
CNN在应用中，为什么GPU可以有加速效果
Black eyes的博客
08-09 6892
CNN在应用中，一般采用GPU加速，请解释为什么GPU可以有加速效果，主要加速算法的哪一个部分？ 这里默认gpu加速是指NVIDIA的cuda加速。CPU是中央处理单元，gpu是图形处理单元，gpu由上千个流处理器(core)作为运算器。执行采用单指令多线程(SIMT)模式。相比于单核CPU（向量机）流水线式的串行操作，虽然gpu单个core计算能力很弱，但是通过大量线程进行同时计算，在数据量很
速成pytorch学习——11天. 使用GPU训练模型
kaggle expert，全球排名前1000，清华计算机研究生，兴趣算法工程
09-20 1269
深度学习的训练过程常常非常耗时，一个模型训练几个小时是家常便饭，训练几天也是常有的事情，有时候甚至要训练几十天。 训练过程的耗时主要来自于两个部分，一部分来自数据准备，另一部分来自参数迭代。 当数据准备过程还是模型训练时间的主要瓶颈时，我们可以使用更多进程来准备数据。 当参数迭代过程成为训练时间的主要瓶颈时，我们通常的方法是应用GPU来进行加速。 Pytorch中使用GPU加速模型非常简单，只要将模型和数据移动到GPU上。核心代码只有以下几行。 # 定义模型 ... device =
VGG16预训练学习笔记
tumi678的博客
08-17 2万+
1. 迁移学习 2. 预训练模型 3. 使用预训练模型 4. 运用预训练模型  ? 提取特征(extractfeatures)  ? 优化模型(finetune the model) 5. 优化模型的方式 6. 在数字识别中使用预训练模型  ? 只针对输出密集层(outputdense layer)的重新训练  ? 冻结初始几层网络的权重因子 1什么是迁移学习？ 我们知道，神
卷积神经网络VGG16，顺便学习深度学习相关知识
sun小武
03-14 1457
原文链接：https://www.sohu.com/a/241338315_787107 很多人想入门做深度学习，但往往翻遍网络看完一篇又一篇所谓的“入门教程”，paper，包括很多深度学习框架官方给出的案例，给人的感觉真的是从入门到放弃。写教程的作者有很多都是技术大神，但写出的东西真的是把原本简简单单的理论说得晦涩难懂，模凌两可。比如说VGG16，都是摆上从论文里截过来的下面这张图： 或...
ubuntu16.04 简单的卷积神经网络 cpu和gpu训练时间对比
lzy我就来随便逛逛的博客
03-27 6901
我的电脑配置： cpu：i5-4200H gpu：gtx 950M 昨天测试了训练一般的神经网络使用cpu和gpu各自的速度，使用gpu比使用cpu大概能节省42%的时间，当时我以为这么个程度已经很不错了。今天我测试了一下使用keras框架训练一个简单的卷积神经网络，在分别测试cpu和gpu所消耗的时间之前，我其实心里是明白的，节约的时间肯定会比42%要多，因为卷积神经网络的数据特性使然，...
CPU和GPU训练耗时比较
temp_X的博客
05-07 3342
网络训练耗时 为什么要用GPU训练网络 CPU 训练是在载入图片并进行处理后再开始训练网络，而利用GPU 训练是在CPU 载入图片处理后利用GPU 进行网络训练，GPU 训练速度更快且后面的图片加载不受音响 为什么要用tf.data方法训练 不适用多线程方法，读取图片较慢，大多数情况下GPU 都在空闲状态，使用多线程方法可以提图片读取处理速度，使得CPU和GPU更好搭配，缩短训练时间，利用缓存也可以提升CPU读取和处理图片的速率。（提前读取图片放在内存中，内存得足，但效果没有使用多线程明显。） ..
经典卷积神经网络之-2014-Vgg16Net-MNIST（建议使用GPU来跑）.zip
01-28
经典卷积神经网络之——2014_Vgg16Net_MNIST（建议使用GPU来跑）。含有注释。强烈建议使用GPU来跑。常规PC，若要使用CPU完整跑下来该模型，可能需要一些时间。
vgg16_reducedfc.pth
10-10
pytorch官方预训练模型：vgg16_reducedfc.pth，亲测可用
模型训练中，不调用gpu比调用gpu更快的情况
永远的我们的博客
09-29 3074
gpu，cpu，训练时间
深度学习PyTorch，TensorFlow中GPU利用率较低，CPU利用率很低，且模型训练速度很慢的问题总结与分析
qq_41568188的博客
06-02 6240
在深度学习模型训练过程中，在服务器端或者本地pc端，输入nvidia-smi来观察显卡的GPU内存占用率（Memory-Usage），显卡的GPU利用率（GPU-util），然后采用top来查看CPU的线程数（PID数）和利用率（%CPU）。往往会发现很多问题，比如，GPU内存占用率低，显卡利用率低，CPU百分比低等等。接下来仔细分析这些问题和处理办法。** GPU内存占用率问题 这往往是由于模型的大小以及batch size的大小，来影响这个指标。当你发下你的GPU占用率很小的时候，比如40%，70%
卷积神经网络.经典神经网络模型之VGG-16
Stay Hungry Stay Foolish
03-22 2225
VGG-16与大量的超参数不同，VGG-16结构更简单，更能关注卷积层 即卷积核大小为3*3，步长为1，same padding ; 所有最大池化层卷积核都是 2*2，步长为2 VGG-16有个优点是真正简化了神经网络结构 接下来我们具体的对这个网络结构进行分析： 首先输入层为224*224*3的图像 ...
直接使用训练好的VGG16测试
MrLQD
05-02 2973
实验环境： 1、下载用VGG16在ImageNet数据集上训练好的权重数据 vgg16.npy 链接:https://pan.baidu.com/s/1gg9jLw3 密码:umce 2、下载imagenet_classes.py （1000个类别，tf.argmax 返回值就是imagenet_classes中行号对应的类别），下载地址：http://www.cs.toronto.e...
pytorch一步一步在VGG16上训练自己的数据集
热门推荐
hnu_zzt的博客
12-19 3万+
准备数据集及加载，ImageFolder 在很多机器学习或者深度学习的任务中，往往我们要提供自己的图片。也就是说我们的数据集不是预先处理好的，像mnist，cifar10等它已经给你处理好了，更多的是原始的图片。比如我们以猫狗分类为例。在data文件下，有两个分别为train和val的文件夹。然后train下是cat和dog两个文件夹，里面存的是自己的图片数据，val文件夹同train。这样我们的...
循环神经网络 中文情感分析案例
最新发布
2301_76654710的博客
07-28 817
目录一、数据处理1、读取原始文件2、清洗数据3、分词4、构建词典并保存5、把每条文本编码成数字列表6、固定长度二、设置数据集、数据加载器三、构建模型结构四、配置具体模型参数与训练细节五、开始训练并保存六、模型测试（测试集）七、单条评论测试（可选）又做了一个小案例，刚好来复盘一下，是关于分析酒店评论的好坏，首先原始数据集如下：前面一列是标签，1代表好评，0代表差评，后面的是评论内容，一共有5000多条评论，下面开始：这里我总结了一下大概的步骤：读取原始文件 --> 清洗数据（去除标点符号等） --> 分词 -
深度学习经典模型合集：AlexNet、VGG16Net、GoogLeNet、ResNet18
资源摘要信息:"经典卷积神经网络模型-合集(AlexNet，VGG16Net，GoogLeNet，ResNet18).zip" 知识点详解： 1. 卷积神经网络（CNN）基础 卷积神经网络是一种深度学习的架构，它能够通过层层卷积和池化操作对图像等...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

追光者♂

谢谢你呀！一起加油！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值