回答情况：
提问时间：
问题标签：
我想在CPU上运行推理；尽管我的机器有GPU。我想知道是否有可能强制TensorFlow使用中央处理器而不是图形处理器？默认情况下，TensorFlow会自动使用GPU进行推理，但由于我的GPU不好(OOM‘’ed)，我想知道是否有设置强制Tensorflow使用CPU进行推理？
浏览 0修改于2021-06-22得票数 1
但是使用cpu设备和gpu设备的推理结果是不同的。
结果如下:左文件是使用cpu的推理结果(第二列)，右文件是使用CpuAndGpu的推理结果(第二列)。
浏览 0提问于2020-01-21得票数 1
回答已采纳
当我使用设备多: CPU运行推理时(在Python或wih benchmark_app上)，我得到的推理时间与仅使用CPU的时间相同。
浏览 9提问于2022-05-02得票数 -1
我编写了一个机器学习推理库，它有python绑定。在正常操作下，该库将使用8个线程进行推理，并将所有8个线程全部释放100%。这是所需的行为，因为模型非常重，我需要为低延迟进行优化(因此我需要使用所有的CPU资源)。如果我编写一个python脚本并调用这个库中的推理函数(在一个无限循环中)，这8个线程就会如预期的那样被最大化(这是htop命令的输出)。现在我有个问题。如果我在机器学习库中调用相同的推理函数，再次在无限循环中调用，但这次是从我的FastAPI端点中调用的，那么每个线程的C
浏览 6提问于2022-10-27得票数 1
回答已采纳
2回答
我有一个Keras模型，它在Raspberry Pi (用相机)上进行推理。覆盆子Pi有一个非常慢的CPU (1.2.GHz)和没有CUDA GPU，所以model.predict()阶段需要很长时间(~20秒)。我正在寻找办法尽可能地减少这一点。我试过：
，我还能做些什么来提高推理的速度吗？有没有一种方法可以简化model.h5并降低准确度？我已经在简单的模型上取得了成功，
浏览 0修改于2017-11-05得票数 7
回答已采纳
在计算机GPU计算上大大加快了推理速度，但在我的手机上，GPU上的推理速度比CPU慢约30倍。对于我输入的所有输入数组，n都在400-800之间，但是我尝试了一个更大的n，看看是否我注意到的减慢是由于运行GPU推理时创建了一个委托内核。对于较大的n，GPU的推理时间接近CPU，这让我认为GPU代理可能只是在我手机的CPU上进行计算。以下是CPU/GPU计时与n的大小比较的一些示例： N = 500GPU
浏览 36提问于2020-07-15得票数 1
为了快速推断冻结的Tensorflow图(.pb)，我目前使用的是Tensorflow的CPU。推理速度已经相当不错了，但是(与英特尔的OpenVINO这样的CPU专用工具相比)到目前为止，我还没有可能在运行之前以某种方式优化图形。我对任何一种合适的优化都感兴趣：-特定于设备的优化-特定于CPU的优化-特定于图的优化(融合操作，丢弃节点，...) - ...以及其他一切降低推理所需的时间。如前所述，像英特尔的OpenVINO (用于CPU)和NVIDIA的TensorRT (用于GPU)
浏览 4修改于2019-06-28得票数 1
我一直在尝试在Movidius神经计算棒上运行自定义Tensorflow模型的推理。问题是，NCSDK不支持最后一层。由于最后一层的计算非常轻，我想知道是否有可能在CPU上运行该层？我只需要能够在NCS上运行推理到某一层，然后在CPU上处理最后一层。
浏览 1提问于2018-07-09得票数 1
我使用默认优化(Float32)设置将网络转换为TFlite，其推理速度约为25fps。当我转换为TFlite INT8量化时，它的推理速度在英特尔8核英特尔酷睿i9 2.3 GHz上约为2 fps。这在CPU上是预期的吗？有人能解释一下是什么导致INT8推理速度慢吗？
浏览 45提问于2020-10-30得票数 0
1回答
我在我的自定义数据集上使用YOLOv5x模型。推理时间最初为0.055s，然后逐渐增加到2秒。在验证中也会发生同样的事情。迭代从6秒开始，结束时间长达34秒。我有16 i7内存和i7-9750小时cpu。
编辑:如果我将图像分割成小部分，并在推理之间等待，我将获得最佳的性能。另外，如果我在不等待的情况下运行对同一部分的检测，那么对于相同的图像，我的推理时间会更糟。
浏览 2修改于2022-07-26得票数 0
回答已采纳
我试图在C++中运行模型推理。我能够在C++中使用torch::jit::load()加载模型。我能够在cpu和gpu上进行推理，但是起点总是torch::from_blob方法，它似乎正在创建cpu端张量。
为了提高效率，我想直接向CUDA张量转换/复制cv::cuda::GpuMat。
浏览 0提问于2018-12-04得票数 1
回答已采纳
我正在尝试加速一个人员计数器应用程序的推理速度，为了使用GPU，我已经按照描述设置了推理机配置： device_name = "GPU"
ie.SetConfig({ {PluginConfigParams/cldnn_global_custom_kernels/cldnn_global_custom_kernels.xml"} }, device_name); 并在推理引擎上加载网络，我已经设置了目标设备KEY_DYN_BATCH_ENABLED, PluginConfigParams::
浏览 7修改于2020-01-29得票数 1
回答已采纳
我读到过计算机中的进程是基于时间片在CPU上调度的。如果是这种情况，线程不应该长时间占用100%的CPU，系统也不应该挂起。这样的推理有什么问题呢？
浏览 1提问于2015-03-12得票数 0
我在写一个基于tensorflow的模型推理机，是否知道cuda设备或cpu上有TF张量？
浏览 9提问于2022-05-25得票数 0
我期望内置长度/2谓词在逻辑推理的数量上是线性的。然而，它似乎是不变的：% 2 inferences, 0.000 CPU in 0.000 seconds (63% CPU, 142857 Lips)
% 2 inferences, 0.000 CPU in 0.000 seconds (62% CPU, 153846 Lips)
% 2 inferences, 0.000 CPU in 0.000 seconds (65% CPU,
浏览 3提问于2016-05-07得票数 4
回答已采纳
1回答
文档中提到，它可以使用多个CPU和GPU进行培训，但还不清楚是否可以在移动电话上使用GPU进行推理。它提到了对BLAS的依赖，因为它似乎在移动上使用CPU。有人能告诉我是否可以使用移动GPU和mxnet进行推理吗？如果没有，我的其他选择是什么？
浏览 2修改于2017-08-13得票数 1
回答已采纳
基于PyTorch教程，我在保存训练过的模型并加载它以进行推理方面没有问题。但是，加载模型所需的时间很慢。len(classes))
st = torch.load('model.pkl', map_location='cuda:0' if torch.cuda.is_available() else 'cpu在CPU上，测试一幅图像需要10秒。所以我的想法是，这可能不是正确的加载方式？, 'model_entire.pkl') 并像这样测试它： model = torc
浏览 17修改于2021-03-12得票数 6
我有Coral AI usb TPU，我成功地运行了入门示例，部署了已经编译/训练过的示例模型(图像分类)，并在TPU上运行了一个鹦鹉图像推理：--labels test_data/inat_bird_labels.txt \但是，我想在计算机CPU(例如，我的笔记本电脑或Raspberry Pi )中运行相同模型的推
浏览 14提问于2022-04-28得票数 0
我想知道在GPU上训练的模型是否可以用来与cpu一起运行推理？(反之亦然)感谢你！
浏览 3提问于2016-12-05得票数 16
回答已采纳
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号