上一篇文章成功在CPU模式下编译了Caffe，接下来需要运行一个例程来直观的了解Caffe的作用。（参考：《深度学习 21天实战Caffe》第6天 运行手写体数字识别例程）

 

编译步骤：

CPU模式：

1、下载MNIST数据集
sudo ./data/mnist/get_mnist.sh
2、转换格式
sudo ./examples/mnist/create_mnist.sh
3、修改训练超参数文件
sudo vim examples/mnist/lenet_solver.prototxt
修改最后一行为：solver_mode : CPU
4、进行训练
sudo ./build/tools/caffe.bin train --solver=examples/mnist/lenet_solver.prototxt
5、用训练好的模型对数据进行预测
sudo ./build/tools/caffe.bin test \
-model examples/mnist/lenet_train_test.prototxt \
-weights examples/mnist/lenet_iter_10000.caffemodel \
-iterations 100

 

GPU模式：

1、重新编译Caffe
修改Makefile.config，屏蔽CPU_ONLY，即在CPU_ONLY前加上“#”
sudo make -j
2、修改训练超参数文件
sudo vim examples/mnist/lenet_solver.prototxt
修改最后一行为：solver_mode : GPU
3、进行训练
sudo ./build/tools/caffe.bin train --solver=examples/mnist/lenet_solver.prototxt
4、用训练好的模型对数据进行预测，并使用caffe time命令进行计时
sudo ./build/tools/caffe.bin time \
-model examples/mnist/lenet_train_test.prototxt \
-gpu 0

 

cuDNN模式：

1、重新编译Caffe
修改Makefile.config，去掉USE_CUDNN前的“#”（使用cuDNN加速）
sudo make -j
2、进行训练
sudo ./build/tools/caffe.bin train --solver=examples/mnist/lenet_solver.prototxt
3、用训练好的模型对数据进行预测，并使用caffe time命令进行计时
sudo ./build/tools/caffe.bin time \
-model examples/mnist/lenet_train_test.prototxt \
-gpu 0

 

结果对比：
CPU模式：

CPU_ONLY := 1
solver mode : CPU
测试时间：3633ms

 

GPU模式：

# CPU_ONLY := 1
solver mode : GPU
测试时间：673.594ms

 

cuDNN加速：

USE_CUDNN := 1
# CPU_ONLY := 1
solver mode : GPU
测试时间：246.016ms

 

由此可见，训练时间：CPU > GPU > cuDNN。