torch: quelles sont les différences entre utiliser net: cuda() et en utilisant cudnn.somemodules

Question

Je me demande quelles sont les différences entre 1) en utilisant net: cuda() après avoir fait un réseau de neurones et 2) en utilisant cudnn.somemodules sur le chemin d'achever un réseau de neurones.

différences-à-dire entre ver 1 & ver 2

[v 1]

local net = nn.Sequential() 
net:add(nn.SpatialConvolution(3, 8, 5, 5)) 
net:add(nn.View(8*20*20)) 
net:add(nn.Linear(8*20*20, 10)) 
net:add(nn.LogSoftMax()) 
net:cuda() 

[v 2]

local net = nn.Sequential() 
net:add(cudnn.SpatialConvolution(3, 8, 5, 5)) 
net:add(cudnn.View(8*20*20)) 
net:add(cudnn.Linear(8*20*20, 10)) 
net:add(cudnn.LogSoftMax()) 

• pas sûr que les codes ci-dessus travail. Ils sont simplement destinés à montrer quelques exemples

Answer 1

:cuda() est d'utiliser le GPU

cudnn.xxx est d'utiliser certains Optimation pour le modèle de GPU, donc après l'avoir ajouté la formation sera plus rapide que d'utiliser uniquement cuda.

Il existe une introduction pour cudnn: Accelerate Machine Learning with the cuDNN Deep Neural Network Library