编译：ronghuaiyang
导读
对于想学习深度学习的同学们来说，学习资源网上有很多，但是计算资源确很少，而GPU又太贵，怎么办呢？通过简单的设置，将CPU做深度学习的速度提升到3倍以上，大家又可以愉快的学习深度学习了！
在过去的几年里，无论是在学术界还是产业界，深度学习的速度都在加快。现在每家公司都在寻找基于人工智能的问题解决方案。这种繁荣有它自己的优点和缺点，但这是另一篇文章，改天再说。机器学习实践者的激增已经渗透到学术界的根源，几乎每个领域的学生都可以通过课程、mooc、书籍、文章，当然还有课程论文，接触到人工智能和ML知识。
然而，硬件资源的可用性阻碍了这种增长。GPU是你能够以一定的速度执行ML任务的最佳设备之一。然而高性能GPU的价格甚至可以到20449美元(NVIDIA Tesla GPU V100 32 gb) 。此外，使用高级GPU的消费级笔记本电脑，使用1050Ti或1080Ti之类的GPU，售价约为2000美元。为了减轻这种痛苦，谷歌、Kaggle、Intel和Nvidia免费提供了基于云的高计算系统，但对空间、计算能力、内存或时间都有限制。但是这些在线服务也有其缺点，包括管理数据(上传/下载)、数据隐私等。这些问题导致了我的文章的主要观点，“为什么不优化我们的cpu来实现深度学习任务的加速？”
性能的提升
对于下面提到的各种实验，我会展示我观察到的时间和利用率的提高。
- 10层深度CNN用于CIFAR-100图像分类。
- 3层深度LSTM进行IMDB情绪分析。
- 6层深度密集神经网络用于MNIST图像分类。
- 9层全卷积MNIST自动编码器。
这些任务用Keras写代码，使用tensorflow后端，数据集和代码和和可执行库放在一个盘里。所使用的是SSD硬盘。
我们将考虑以下六种优化组合。
- 英特尔(R) Core (TM) i7。
- Intel(R) Xeon(R) CPU E3-1535M v6。
- 英特尔(R)核心(TM) i7与英特尔Python(英特尔i7*)。
- Intel(R) Xeon(R) CPU E3-1535M v6采用Intel Python (Intel Xeon*)。
- Intel(R) Core (TM) i7与Intel Python和处理器线程优化(Intel i7(O))。
- Intel(R) Xeon(R) CPU E3-1535M v6采用Intel Python和处理器线程优化(Intel Xeon(O))。
对于每个任务，epochs的数量固定在50。从下图中我们可以看到，对于一个Intel(R) Core (TM) i7-7700HQ CPU @ 2.80GHz CPU， epoch的平均时间接近4.67秒，经过适当的优化后下降到1.48秒，即提高3.2倍。对于一个I
ntel(R) Xeon(R) CPU E3-1535M v6 @ 3.10GHz CPU，epoch的平均时间接近2.21秒，经过适当的优化后下降到0.64秒，提高了3.45倍。 每个epoch的平均时间
优化不仅仅是在时间上，优化的分布也优化了CPU的利用率，这最终导致更好的热量管理，你的笔记本电脑不会像以前训练深度神经网络时那么热。
使用率
我们可以看到，在不进行任何优化的情况下，训练时CPU利用率最高达到100%，从而减慢了所有其他进程并使系统升温。然而，通过适当的优化，i7和Xeon的利用率分别下降到70%和65%，但是在运行时间上却减少了。
这两个指标可以用以下相关术语进行总结。
在上面的图中，越低的值越好，即以Intel Xeon为基准进行所有优化，而一个Intel Core i7处理器在优化后，每个epoch花费的时间几乎是Xeon的两倍。上面的图表清楚地显示了从训练神经网络的时间和CPU的使用情况来看，英特尔Python优化是前途光明的。
设置Intel的Python发行版
Intel Software提供了一个关于如何设置此选项的详尽的资源列表，但是我们通常可能会遇到一些问题。更多关于发行版的详细信息看这里：(https://software.intel.com/en-us/distribution-for-python)。你可以选择安装的类型，即本地pip或conda。我更喜欢conda，因为它为我节省了大量的麻烦，而且我可以专注于ML，而不是解决我的库的兼容性问题。
1) 下载安装Anaconda
你可以从这里：(https://www.anaconda.com/distribution/)下载Anaconda。他们的网站列出了在windows、ubuntu和macOS环境中安装Python的所有步骤，并且很容易做。
2) 在你的Anaconda发布中设置Intel python
这一步通常比较棘手。最好为Intel发行版创建一个虚拟环境，这样你就可以随时在一个地方添加/更改优化后的库。让我们创建一个名为“intel.”的虚拟环境。
conda create -n intel -c intel intelpython3_full
这里-c表示通道，因此我们不将Intel添加为通道，而是通过-c调用该通道。在这里，intel python3_full将自动从Intel发行版获取必要的库，并将它们安装到你的虚拟环境中。
你可以看到，对于每个库，都以“Intel/…”开头，这表示正在从Intel的发行渠道下载该库。一旦你同意安装这些库，就会开始下载和安装它们。
这一步是会出现一个问题。有时，这些库不会被下载，列表会往下走，或者出现SSL错误，然后命令退出。这个问题甚至可能被延迟，也就是说，现在所有东西都将被下载和安装，但是稍后如果你想添加任何新的库，提示符将抛出SSL错误。有一个方式可以简单的修复这个问题，为英特尔创建虚拟环境之前需要完成。
在你的shell或命令提示符中，通过下面的命令关闭anaconda的默认SSL验证
conda config --set ssl_verify false
一旦关闭了SLL验证，你可以重复步骤2，删除之前创建的环境并重新启动。
3) 设置TensorFlow
恭喜你！！现在，你已经在电脑中设置了Intel的python发行版。现在是进入ML pipeline的时候了。
英特尔已经通过所有的发行版为tensorflow提供了优化，设置起来非常顺利。(https://software.intel.com/en-us/ai/frameworks/tensorflow)。让我们看看如何为CPU安装优化过的tensorflow。英特尔软件提供了一个优化的数学内核库(mkl)，优化数学操作，并为用户提供所需的加速。因此，我们将按如下方式安装tensorflow-mkl。
conda install tensorflow-mkl
或者使用pip，可以将其设置为如下所示。
pip install intel-tensorflow
Tensorflow现在已经启动并在你的系统中运行，并进行了必要的优化。如果你是Keras的粉丝，你可以用一个简单的命令来设置它:-
conda install keras -c intel
4) 设置Jupyter
由于我们创建了一个新的虚拟环境，但它不是spyder或jupyter notebooks的默认环境。然而，设置这些是很简单的。只要一行命令，我们就能做到。
conda install jupyter -c intel
5) 激活环境开始做实验
既然我们已经设置好了所有的东西，现在是动手的时候了，我们开始在优化的CPU系统上编写代码并尝试各种ML和DL方法。首先，在执行任何代码之前，确保使用了正确的环境。在使用安装在虚拟环境中的库之前，需要激活虚拟环境。这个激活步骤是一个永久的过程，并且是毫不费力的。在anaconda提示符中编写以下命令，就可以开始了。
conda activate intel
要对环境进行全面检查，在激活环境后，在命令提示符/shell中键入以下命令。
python
输入python后按enter，命令提示符中应该出现以下文本。确保显示的是“Intel Corporation”，并显示“Intel(R) Distribution for Python is brought to you by Intel Corporation.”。这些验证了英特尔Python发行版的正确安装。
现在，你可以使用命令行进行试验，或者在其他地方编写脚本来运行。
(intel) C:\\Users\\User>python/>
通过以下步骤1到4，使你的系统具备上面的性能基准图中提到的Intel xyz级别。这些仍然不是基于多处理器的线程优化。我将在下面讨论如何进一步优化你的多核CPU。
多核优化
要为你的多核系统添加进一步的优化，你可以将以下代码行添加到.py文件中，它将相应地执行脚本。这里NUMPARALLELEXEC_UNITS表示内核的数量，我有一个四核i7，因此这个数字是4。
如果你不喜欢使用Keras而更喜欢使用tensorflow，那么脚本几乎保持不变，只需删除以下两行。
from keras import backend as K
K.set_session(session)
在你的代码中添加了这些行之后，应该可以达到上面性能图表中的Intel xyz(O)条目相当的性能。
如果你的系统中有GPU，并且它与当前库集冲突，或者抛出一个cudnn错误，那么你可以在代码中添加以下行来禁用GPU。
os.environ["CUDA_VISIBLE_DEVICES"] = "-1"
总结
现在你已经有了一个用于测试和开发机器学习项目和思想的优化pipeline。这一渠道为学生提供了大量的机会，让他们参与到学术研究中，用他们所拥有的资源继续他们的工作。这条pipeline还将防止从业者的私有数据的隐私泄露问题。
同样值得注意的是，通过适当的微调，一个人可以在他们的工作流程中获得3.45倍的加速，这意味着如果你正在试验你的想法，你现在可以比以前快三倍。
英文原文：https://towardsdatascience.com/optimize-your-cpu-for-deep-learning-424a199d7a87
閱讀更多 AI公園 的文章
