tensorflow在各种环境下搭建与对比

tensorflow在各种环境下搭建与对比

由于有些训练是要长时间进行训练（几天），才能看出显著的结果，如果只是通过本地的计算机进行训练是不可能的。因此这周花了一些时间调研如何才能让神经网络长时间的进行运行，为以后训练网络提供可靠的运行环境。

Tensorflow部署的地方	优点	缺点
本地笔记本CPU版本的tensorflow	（1）安装相对本地的GPU版本的tensorflow容易 （2）方便通过本地的IDE比如PyCharm进行代码的调试	（1）相对本地GPU版本的tensorflow运行较慢 （2）无法长时间的进行训练，比如几天到一周，甚至半个月
本地GPU笔记本版本的tensorflow	相对本地GPU版本的tensorflow运行较快 方便通过本地的IDE进行代码调试与跟踪	安装较困难，容易出错 需要英伟达的显卡，并且需要有较好的性能
谷歌的Colab云环境	免费，已经帮你装好了tensorflow相关的所有环境，适合初学者	（1）不能长时间的运行，由于是免费的，硬件的性能不是很好，经过测试，和本地的CPU版本的tensorflow运行差不多速度，并且容易掉线
阿里云CPU服务器	租比较低端的服务器，价格比较便宜，学生只要10/月 可以长时间运行，只要不关机就会一直运行， 经测试运行速度和本地的GPU版本速度差不多	显卡版的服务器普遍比较贵 没有帮你装好tensorflow的运行环境，需要你自己转一整套的环境
Floyd云端GPU环境	帮你装好了云端的运行环境，专门为深度学习训练提供到的云端服务器 有多种显卡可供选择	（3）价格相对较贵，如果是GPU版本训练的话需要10元/小时

    由于对比以及试验了各种方法。因此如果是前期的话，先在自己的笔记本上面先用小批量的数据调试自己构造的网络，当调试好了之后可以通过git上传到阿里云服务器中进行长时间的训练（几天）看训练结果，并将训练好的参数进行保存，再传回自己的笔记本看生成结果。如果时间比较赶需要快速地得到结果可以使用Floyd云端GPU环境进行训练。