win10下pytorch，tensorflow，keras+tf速度对比

最新推荐文章于 2025-06-30 10:39:29 发布
原创 最新推荐文章于 2025-06-30 10:39:29 发布 · 7.2k 阅读 · 5 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#deep #深度学习

本文通过在CIFAR-10数据集上训练VGG模型，对比了PyTorch、TensorFlow和Keras三种深度学习框架的训练及评估速度。结果显示，PyTorch和TensorFlow在训练时间上接近，且显著优于Keras。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

采用GitHub上的代码

运行类似vgg模型，在cifar10上训练，结果朋友torch与tensorflow速度相当，远远快过keras。

 pytorchtensorflowkeras+tensorflow
version
0.4.0
1.8.0
Keras:  2.1.6
Tensorflow:  1.8.0
train time：
1min 14s
1min 9s
1min 51s
evaluate time：
378 ms
9.4 s
826 ms


Pytorch和Tensorflow在相同数据规模规模下的KNN(K-NearestNeighbor)算法中的运算速度对比
m0_47529410的博客
02-08 800
Pytorch和Tensorflow在相同数据规模规模下的降维KNN(K-NearestNeighbor)算法中的运算速度对比 今天介绍一下比较简单的机器学习算法KNN算法。它最初由 Cover和Hart于1968年提出，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。 KNN算法基本原理 该方法的思路非常简单直观：离已知的某一个类中的所有点的平均距离距离最小的，就将这个点归为该类。 该方法的不足之处是计算量较大，因为对每一个待分类的文本都要计算它到全体已知样本的距离，会占用很大的时间与内存。 K
win10+anaconda3环境下安装tensorflow+opencv+pytorch+keras（CPU版本亲测）
weixin_37858453的博客
02-20 903
win10+anaconda3环境下安装深度学习框架详细步骤（CPU版） 下载安装顺序 anaconda3 5.1.0(64-bit) tensorflow opencv-python opencv numpy pytorch keras 通过anaconda创建虚拟环境，然后在不同的虚拟环境下安装不同版本的深度学习框架，这样做的好处是一旦配置出错，可以直接删除虚拟环境包，不会影响整个系统。 anaconda3下载与安装 下载地址：https://mirrors.tuna.tsinghua.edu.cn/a
深度学习框架哪家强？MXNet称霸CNN、RNN和情感分析，TensorFlow仅擅长推断特征提取
AI科技大本营
12-01 1万+
深度学习框架哪家强：TensorFlow？Caffe？MXNet？Keras？PyTorch？对于这几大框架在运行各项深度任务时的性能差异如何，各位读者不免会有所好奇。 微软数据科学家Ilia Karmanov最新测试的结果显示，亚马逊MXNet在CNN、RNN与NLP情感分析任务上性能强劲，而TensorFlow仅擅长于特征提取。 测试详情更新在Ilia Ka
人工智能-基础篇-9-深度学习编程工具库（PyTorch/TensorFlow框架）
最新发布
weisian的博客
06-30 1159
无论选择哪一个框架，掌握其核心概念和技术细节都将有助于你更好地理解和应用深度学习技术。如果你更关注研发效率，倾向于快速迭代和尝试新想法，那么PyTorch可能是更好的选择，尤其是对于学术界和初创公司而言。如果你的目标是产品化，特别是涉及跨平台部署或需要较高的稳定性和可维护性，TensorFlow及其相关工具链则更为合适。向阳而生，Dare To Be！！！
TensorFlow与PyTorch对比
AI人工智能与大数据
07-31 3053
用TensorFlow还是PyTorch？从TensorFlow开始学起还是PyTorch？在一年前，这个问题毫无争议，当然是TensorFlow. 但时过境迁，现在的情况大不一样了，下面就来分析对比一下这两个主流框架。 首先看一下最近的统计数据，下图的数据是从arxiv论文中统计得到的。上面的黄线是TensorFlow的使用比例，下面的红线是PyTorch的使用比例，可以看出，最近的数据两者已...
CPU上keras和pytorch训练速度比较(问题已解决）
qq_45759229的博客
05-07 1128
我测试发现，keras在比较简单的网络上远比pytorch跑的要快的多，目前大致的猜测原因在读取数据部分，但是我还不知道怎么pytorch这个数据的读取速度，为什么都没有大佬发现这个问题呢？ mnist数据集读取 import os os.environ["CUDA_VISIBLE_DEVICES"] = "0" import torch from torchvision import datasets, transforms import matplotlib.pyplot as plt import t
【Tensorflow2.0】9、tf.data与keras数据读取方式速度对比
dddeee的专栏
11-29 3061
文章目录1、三种数据读取方式对比1.1、准备本文所用数据1.2、准备tf.data数据1.3、keras生成器读数据方式1.4、tf.data包装keras生成器1.5、有了三种数据类型开始比较速度2.对tf.data进行改进2.1 使用AUTOTUNE2.2 使用cache2.3 map的使用说明： 关于对shuffle,cache,batch,map,prefeach,repeat的顺序，排列...
Win10快速搭建TensorFlow, Keras与PyTorch深度学习环境
独步天秤的博客
10-08 2606
目录 版本信息 安装步骤 Step#1 安装Anaconda3 5.3.0(64bit) Step#2 将Anaconda添加至环境变量 Step#3 打开Anaconda Prompt Step#4 修改Anaconda的软件源为清华镜像 Step#5 修改Python版本为3.6.7 Step#6创建虚拟环境tf1 Step#7 激活tf1环境&安装TensorF...
Windows10+GPU+Anaconda3+Pytorch+TensorFlow+Keras配置方法
hhy_csdn的博客
08-31 2272
配环境这个事真的是常看常新，随着package的不断更新，之前配环境的经验都不能用了，所以新开一贴，记录一下最近配环境的曲折之路。 之前博客Windows10 GPU版Tensorflow配置教程+Anaconda3+Jupyter Notebook依然可以用。...
关于windows下Tensorflow和pytorch安装教程
12-20
总结，安装Tensorflow和PyTorch在Windows环境下主要是通过Anaconda和pip管理器完成的。了解这两个库的基本概念和安装步骤，将有助于开发者在Windows上搭建机器学习开发环境，进一步进行深度学习项目实践。同时，注意...
Win10，深度学习GPU环境配置实录（Anaconda + TensorFlow 2 或 TensorFlow 1.15 + keras）
zgjstudy的博客
04-14 2653
这是我第N次遇到把环境搞坏，再重新配环境，然后忘记各个步骤中的指令，然后全网查资料的情况。于是我决定落实一下一直都有的一个想法：写个 Blog 记录下从零开始搭建环境的全过程，以方便将来再次把环境搞坏的自己和遇到相同问题的同学们。 前言 GPU 对深度学习运算效率提升非常巨大，就我目前做的一个项目而言，一个 epoch 用 CPU 耗时 1622s ，而用 GPU 仅需要 33s，粗略估计下使...
pytorch，onnx和tensorrt 的速度对比
热门推荐
ltochange的博客
09-23 1万+
onnx Open Neural Network Exchange (ONNX）是微软和Facebook携手开发的开放式神经网络交换工具。为人工智能模型(包括深度学习和传统ML)提供了一种开源格式。它定义了一个可扩展的计算图模型，以及内置运算符和标准数据类型。目前主要关注推断所需的功能。 ONNX之于机器学习模型就像JPEG之于图像或MPEG之于视频。你可以使用pytorch，tensorflow或者其他深度学习的框架来训练你的模型，最后都可以转成onnx模型. ONNX就想是不同模型之间的桥梁 ONNX
Python使用keras和tensorflow遇到的问题
dltan
12-12 2537
报错：No module named 'keras.datasets'; 'keras' is not a package 和AttributeError: module 'tensorflow' has no attribute 'get_default_graph'及tensorflow-gpu的安装和使用
pytorch训练时accuracy收敛缓慢的可能原因
锦恢的博客
09-19 1955
今天在使用pytorch搭建LSTM网络跑THUC数据集时，发现每遍历一遍50000条数据，准确率只增长了0.001-0.01。后来发现是学习率设置小了。 提高学习率后，模型在前几个epoch就快速收敛了。 这种小错误以后要避免呀！=_= ...
哪个深度学习框架发展更快？TensorFlow还是PyTorch？
ShuYunBIGDATA的博客
04-30 2390
我们最近看到了TensorFlow和PyTorch框架的几个重要发展。 PyTorch v1.0于2018年10月发布，与此同时，fastai v1.0也发布了。这两个版本都标志着框架成熟度的重要里程碑。 TensorFlow 2.0 Alpha于2019年3月4日发布。它增加了新的功能和改进了用户体验。它还更紧密地集成了Keras及其高级API。 从在线职位列...
为什么适用于Python的TensorFlow正在缓慢消亡
起码有故事
02-06 491
在 HuggingFace 的帮助下，工程师可以使用大型、经过训练的和调优的模型，只需几行代码就可以将它们合并到他们的工作流程管道中。关于 IDE 的讨论似乎没有尽头，有些人喜欢 VisualStudio，有些人喜欢 IntelliJ，还有一些人更偏爱普通的旧编辑器，如 Vim。这两个阵营背后都有大量的支持者，并且他们都有充足的理由来说明为什么他们所喜欢的框架是最好的。另一方面，TensorFlow 凭借其卓越的生态系统、部署功能以及对其他语言的支持，仍将是深度学习领域的一员大将。
【TensorFlow2.0】以后我们再也离不开Keras了？
hacker_long的专栏
05-07 1148
TensorFlow2.0 Alpha版已经发布，在2.0中最重要的API或者说到处都出现的API是谁，那无疑是Keras。因此用过2.0的人都会吐槽全世界都是Keras...
加快Tensorflow和Keras图像数据集的训练速度
ChainingBlocks
12-17 2144
这几天在训练一个CNN网络，使用到了两百多万个图片，虽然使用到了GPU NVIDIA GeForce GTX 1080Ti，但是还是很慢。故查阅了一些训练提速的文章，跟大家分享。 Tensorflow vs. Keras or how to speed up your training for image data sets by factor 10 If you ever trained a...
Pytorch与Tensorflow模型同时使用出现cuda out of memory的问题
江户香葱饼的博客
06-23 1051
问题描述： 在工程上同时使用了Tensorflow框架模型与pytorch框架模型。全部模型大小加起来1个G左右，显存11G，但是运行时报错： CUDA out of memory RuntimeError: CUDA out of memory. Tried to allocate 20.00 MiB (GPU 0; 10.91 GiB total capacity; 856.79 MiB already allocated; 17.38 MiB free; 71.21 MiB cached)
Win11系统Anaconda下，python系统版本为3.9.0安装TensorFlow、Karas和PyTorch
03-13
<think>好的，我现在需要帮助用户在Windows 11的Anaconda环境中，使用Python 3.9.0安装TensorFlow、Keras和PyTorch。首先，我需要回忆相关的安装步骤和注意事项，尤其是兼容性问题。 用户提到已经参考了站内的四篇引用内容。引用[1]和[4]提到了使用Anaconda创建虚拟环境，安装TensorFlow和PyTorch的GPU版本，还提到了CUDA和cuDNN的配置。引用[2]和[3]则涉及到验证TensorFlow是否正确安装以及GPU是否可用。这些信息很重要，我需要整合到回答中。 首先，安装TensorFlow和Keras。根据引用[1]，用户需要先创建虚拟环境，Python版本为3.9.0。然后激活环境，安装TensorFlow。这里需要注意TensorFlow的版本是否兼容Python 3.9.0。比如，TensorFlow 2.6.0可能支持，但最新的版本可能更高。用户可能需要指定版本号，例如tensorflow==2.6.0。同时，Keras通常已经集成在TensorFlow中，所以可能不需要单独安装，但用户可能还是希望明确安装以确保版本匹配。 接下来是PyTorch的安装。引用[4]提到使用conda安装PyTorch的GPU版本，并需要配置CUDA和cuDNN。PyTorch官网提供了conda安装命令，比如选择CUDA 11.3的版本。需要检查PyTorch版本是否支持Python 3.9.0，以及CUDA版本是否与用户的显卡驱动兼容。用户显卡是1650ti，可能需要CUDA 11.x，因此需要确认驱动版本是否足够。例如，CUDA 11.x需要NVIDIA驱动版本至少450.80.02以上。 然后是CUDA和cuDNN的安装。根据引用[1]和[4]，使用conda安装可以自动解决依赖，这可能比手动安装更简单。比如，安装cudatoolkit=11.2和cudnn=8.1，但需要确保这些版本与TensorFlow和PyTorch兼容。例如，TensorFlow 2.6.0需要CUDA 11.2和cuDNN 8.1，而PyTorch 1.12.1可能需要CUDA 11.3。如果两者需要的CUDA版本不同，可能需要分开环境或者寻找兼容的版本，但用户希望在一个环境中安装，所以需要找到共同的CUDA版本。可能在这里需要妥协，或者用户可能需要安装不同版本的库。例如，PyTorch可能支持CUDA 11.3，而TensorFlow需要CUDA 11.2，这可能会有冲突。这时候可能需要确认是否有兼容的版本组合，或者建议用户使用conda来管理依赖，因为conda可能会自动处理这些冲突，或者提示用户可能需要调整版本选择。 接下来是验证安装。引用[3]中的代码可以用来检查TensorFlow是否可以使用GPU。同样，PyTorch可以通过torch.cuda.is_available()来验证。需要指导用户运行这些测试代码，并解释输出结果。 可能的问题点包括： 1. Python 3.9.0与TensorFlow、PyTorch版本的兼容性。需要确认各库是否有支持Python 3.9.0的版本。 2. CUDA和cuDNN版本与显卡驱动的兼容性。用户显卡是1650ti，支持CUDA版本需要查证。例如，1650ti基于Turing架构，支持CUDA 10.0及更高，但实际安装的驱动版本可能限制了可用的CUDA版本。 3. 是否在同一个环境中安装TensorFlow和PyTorch，可能存在的CUDA版本冲突如何处理。 可能还需要提醒用户更新显卡驱动到最新版本，以确保兼容性。此外，如果用户没有NVIDIA显卡，或者不想使用GPU版本，可以安装CPU版本的库，但性能会差很多。 步骤总结： 1. 创建并激活虚拟环境。 2. 安装TensorFlow和Keras，指定版本以确保兼容性。 3. 安装PyTorch，使用conda命令指定CUDA版本。 4. 安装CUDA和cuDNN（可能通过conda自动安装）。 5. 验证安装，检查GPU是否可用。 需要检查每个步骤的命令是否正确，例如conda create、pip install等。同时，根据引用[2]，用户可能在安装后运行代码时，显示的TensorFlow版本为1.8.0，这可能是因为安装时没有正确指定版本，导致安装了老版本。因此，在步骤中强调使用正确的版本号非常重要。 最后，生成相关问题，可能涉及性能优化、常见错误处理、环境管理等。</think>### 分步安装指南（Python 3.9.0环境） #### 1. 创建并激活虚拟环境 ```bash conda create -n tf_pt_env python=3.9.0 conda activate tf_pt_env ``` #### 2. 安装TensorFlow和Keras - **GPU版本**（需NVIDIA显卡）： ```bash pip install tensorflow==2.6.0 keras # 指定兼容版本[^1] ``` - **CPU版本**： ```bash pip install tensorflow-cpu==2.6.0 keras ``` #### 3. 安装PyTorch（GPU版本） ```bash conda install pytorch==1.12.1 torchvision torchaudio cudatoolkit=11.3 -c pytorch # 指定CUDA 11.3[^4] ``` #### 4. 验证安装 - **TensorFlow GPU验证**： ```python import tensorflow as tf print(tf.__version__) # 应输出2.6.0[^2] print(tf.config.list_physical_devices('GPU')) # 显示GPU信息[^3] ``` - **PyTorch GPU验证**： ```python import torch print(torch.__version__) print(torch.cuda.is_available()) # 应输出True ``` #### 5. 依赖项兼容性说明 - **CUDA/cuDNN**：通过conda自动安装的`cudatoolkit=11.3`和`cudnn`已适配TensorFlow 2.6.0和PyTorch 1.12.1。 - **显卡驱动要求**：NVIDIA驱动需≥465.89（支持CUDA 11.3）。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值