笔记本8代i7+mx150与kaggle、Colab等免费GPU速度对比

更详细的评测看这里:https://blog.csdn.net/dQCFKyQDXYm3F8rB0/article/details/91388651

 

手上一台机械革命S1,配置16G内存、8代i7、mx150

 

用kaggle上一篇句子相似度的竞赛跑一下模型,选用的是一位得分比较高的选手的notebookQuora Question Pairs: XGBoost,整个建模过程分了4步,清洗数据、特征提取、GloVe特征提取、模型调参,我在kaggle的notebook上跑了一遍,脚本纯运行时间超过5个小时,kaggle支持gpu,xgboost的话设置的是使用gpu。

然后呢,我在Colab上重新跑了一遍,用时1天还没跑完,主要是到了后面的模型调参哪一环节,要用到gpu啊,但是Colab的Gpu简直慢的不行,kaggle都跑完了,这个还在前两个训练单元

今天又在自己笔记本上再测试一遍,从数据清理这一步看是笔记本稍微的快一些,不知道在GPU哪个部分什么效果

但是在数据清理和特征提取这以环节的话,这里是用不到GPU的,Colab的性能又是最高的,比我的笔记本快了一倍,给大家截图看下

目前总结来看,kaggle的免费gpu资源相当于一台7代i7、12G内存、入门独显的笔记本,但是Colab呢可能就是10代i9+集显的一个配置,但是Colab完全免费啊,Colab还有TPU支持,不晓得能达到什么效果。

 

 

相关推荐:

为什么在Python 3.11中升级NumPy可以显著提升科学计算速度?

NumPy版本升级本身不提升计算速度,真正起效的是Python3.11解释器的导入优化、conda+MKL链接及自适应解释器对胶水代码的加速;import变快≠计算变快。 NumPy在Python3.11中“升级”本身并不会显著提升科学计算速度——真正起作用的是解释器层面的加载与执行机制变化,而你误...

如何在Python中通过解包赋值优化变量交换与赋值的执行速度?

Python解包赋值不提升执行速度,其核心价值在于增强可读性、安全性和语义清晰度;它通过结构断言避免手动索引错误,适用于多值返回、可变长解包及字典传参等场景。 Python中的解包赋值本身不会提升变量交换或赋值的“执行速度”,它和传统赋值在底层开销几乎一致;真正带来收益的是代码可读性、安全性与表达意...

如何优化Python图像处理速度_通过OpenCV-Python替代原生PIL

OpenCV-Python通常比PIL快,但取决于操作类型、图像尺寸和是否启用硬件加速;cv2.imread读JPEG比PIL快20%–40%,而PIL在仅查尺寸或EXIF时更优,颜色空间转换和隐式复制是主要性能陷阱。 OpenCV-Python通常比PIL快,但不是所有场景都成立——关键看操作类型...

怎样提升Python中CSV解析的健壮性与速度_利用Pandas的C引擎

C引擎读CSV快但易报错,因其用C实现、格式敏感,遇非标准换行、嵌套引号等直接抛ParserError;需显式设encoding、sep、quotechar及on_bad_lines;不支持正则分隔符、多行表头等,此时应改用Python引擎。 为什么C引擎读CSV快但容易报错 C引擎是pandas....