Python 在google colaboratory中导入数据以实现快速计算和培训的最佳方式？

我在谷歌的colab上运行一个简单的深度学习模型，但它比没有GPU的MacBookAir运行得慢

我阅读并发现这是一个问题，因为通过互联网导入数据集，但我不知道如何加快这个过程

我的模型可以找到。你知道我怎样才能使新纪元更快吗

---

我的本地机器每一个历元需要0.5-0.6秒，google colabs需要3-4秒

GPU总是比CPU快吗？不，为什么？因为GPU的速度优化取决于几个因素

有多少部分代码是并行运行/执行的，即有多少部分代码创建了并行运行的线程，这由Keras自动处理，在您的场景中不应该成为问题

在CPU和GPU之间发送数据所花费的时间，这是很多人犹豫的地方，假设GPU总是比CPU表现更好，但是如果传递的数据太小，执行计算所需的时间（不需要计算步骤）比将数据/进程分解成线程要少，在GPU中执行它们，然后在CPU上重新组合它们

第二种情况在您的案例中看起来很可能，因为您使用的批处理大小为5。

classifier=KerasClassifier（build\u fn=build\u classifier，epochs=100，batch\u size=5）

，如果数据集足够大，增加

batch\u size

将提高GPU在CPU上的性能

---

除此之外，您使用了一个相当简单的模型，正如@igrinis所指出的，数据从驱动器到内存只加载一次，因此理论上的问题不应该是加载时间，因为数据在驱动器上

你启用GPU了吗？是的@Amir问题在于我们如何导入数据集，因为google drive的i/o效率不高，我认为数据导入不太可能是问题所在。在代码中，从

.csv

文件导入数据。这是一次操作，一旦加载数据，您就没有其他I/O，因此在培训期间不可能影响您。然而，你说每个时代都要花很多时间。嗯，那么我想这是谷歌colabs本身的问题，因为在我的macbook air上它运行得更快。在colabs上，我用GPU运行。因此，我想这里没有使用GPU@igriniscon您可以在笔记本中共享数据集或合适的替代品，以复制您的性能问题吗？这将简化诊断并帮助我们提供具体建议。