GPU 上的 Tensorflow matmul 计算比 CPU 上慢

我是第一次尝试 GPU 计算，当然希望能有很大的加速。然而，对于张量流中的基本示例，情况实际上更糟：

在 cpu:0 上，十次运行中的每一次平均需要 2 秒，gpu:0 需要 2.7 秒，gpu:1 比 cpu:0 差 50%，需要 3 秒。

这是代码：

import tensorflow as tf
import numpy as np
import time
import random

for _ in range(10):
    with tf.Session() as sess:
        start = time.time()
        with tf.device('/gpu:0'): # swap for 'cpu:0' or whatever
            a = tf.constant([random.random() for _ in xrange(1000 *1000)], shape=[1000, 1000], name='a')
            b = tf.constant([random.random() for _ in xrange(1000 *1000)], shape=[1000, 1000], name='b')
            c = tf.matmul(a, b)
            d = tf.matmul(a, c)
            e = tf.matmul(a, d)
            f = tf.matmul(a, e)
            for _ in range(1000):
                sess.run(f)
        end = time.time()
        print(end - start)

我在这里观察到什么？运行时可能主要是在 RAM 和 GPU 之间复制数据吗？

你用来生成数据的方式是在CPU上执行的（random.random()是一个常规的 python 函数，而不是 TF-one）。另外，执行它10^6时间会比请求的慢10^6一次运行中的随机数。 将代码更改为：

a = tf.random_uniform([1000, 1000], name='a')
b = tf.random_uniform([1000, 1000], name='b')

这样数据将在 GPU 上并行生成，并且不会浪费时间将其从 RAM 传输到 GPU。