究竟 nVidia Gefore GTX 1060 在 TensorFlow-gpu 的表現如何？ (Part 3)

照理說，這次的標題是下錯的，因為這次是想要測試一下 nVidia Gefore GTX 1060 在微軟的 Windows Subsystem for Linux (WSL 2) 利用所謂的 DirectML 來開發 tensorflow 2（或者說，在 WSL 2 下能夠使用 GPU 來發揮 tensorflow 2）的程式。但是由於是心得式的文章，我就以 Part 3 來延續這個主題。另外，我想知道，如果以之前安裝的純 tensorflow-gpu 2.3 版來比較，DirectML 的架構效能究竟是怎麼樣的情形。

經過了兩年，我簡單的試圖在 win10 的環境下再次利用 anaconda 3 架設 Tensorflow-GPU 的環境，結果還是不很成熟，我真心認為安裝的過程很沒必要東拿西挪的，直覺式的 conda install 就應該要能做的到，很不幸的，目前最直覺的安裝方式還是幾年前試出來的 tensorflow-gpu 2.3 版。

前幾天學生告訴我，在 win10/win11 的環境下未來的趨勢似乎是 WSL 的天下（雖然我的直覺告訴我，台灣一般資管系的學生比較難接受 Linux），所以我就試了一下所謂的 WSL 2。我幾年前就試過所謂的 WSL，但是可能是所謂的 WSL 1，所以效能不怎麼樣，我就放棄了；這次嘗試 WSL 2，我有了截然不同的體驗，所以安裝完了 WSL 2 就下手嚐試 tensorflow-gpu。

究竟 nVidia Gefore GTX 1060 在 TensorFlow-gpu 的表現如何？ (Part 2)

[最新更新：05/14/2020]

真的好久好久沒有更新科普的文章了，而且看了一下 Part 1 的完成時間，居然是在 2019 年的 2 月，時間已經整整流失了一年多。其中有一項重要的發展，Tensorflow 已經從 1.x 版大改版的升級到 2.x 版，因此這次測試的文章是以 2.x 進行的。

這次測試的也不再使用 baby 級的程式，而是自然語言處理（Natural Language Processing）中情緒分析（Sentiment Analysis）的程式。基本上，我是參考 Perform sentiment analysis with LSTMs, using TensorFlow 這篇文章內 Tensorflow 1.x 版的程式並將其改寫成 2.x 的程式。 順便提一下，這篇文章寫得相當好；如果你對於情緒分析的主題有興趣的話，非常值得一讀。

我實驗的環境跟 Part 1 一樣，因此這裡不再贅述。軟體環境是 Anaconda；一定要提的是：自從 Tensorflow 2.x 釋出之後，目前利用 Anaconda 安裝 2.x 非常簡單，簡單到完全不必另外手動安裝 cuda 之類的套件。深度學習的架構是隱藏層是 LSTM，輸出層就是一般常用的 Dense，總共使用 50000 筆資料中的 25000 筆進行訓練，批次訓練的數量是 64 筆。

究竟 nVidia Gefore GTX 1060 在 TensorFlow-gpu 的表現如何？ (Part 1)

檢視一下，我已經好久、好久沒有撰寫科普文章了。過去幾年研究主題到處流浪，我想過去流浪的各種研究內容寫出來應該不怎麼科普，所以這個部落格的內容就沒有更新。從去年起，tensorflow-gpu 吸引許多人的注意，我也想買一套設備試一試，可是每一種的效能如何，居然從 google 中找不到太多的幫助（各種 benchmark 的跑分，對我的幫助不大）。前一陣子兒子"退役"了一片顯卡（所謂的低階遊戲卡），看了一下包裝：耶，居然是支援 cuda 的 nVidia 顯卡，於是我就拿來測試一下。［如果有廠商願意提供設備給我，我倒是願意多跑幾種比較精準的實驗］

我跑的作業系統是 windows 10，硬體安裝的過程不談，tensorflow-gpu 的安裝方式也不談，大家 google 一下應該都可以找到。我們直接看實驗的硬體平台，首先是 CPU 的部分，這個以 cpuz 的畫面就可以明白：