开始学习 Tensorflow，但是又不想投资一台专用的 GPU 工作站。我现在使用的主力电脑是：Thinkpad X1 Carbon，计划购置 eGPU 来加速 Tensorflow。
购置之前做了一些功课，发现对 eGPU 的游戏性能测试很多，但是缺乏准确的 Tensorflow Benchmarks 数据。只能摸着石头过河，根据网上资料进行推断，最终购买了 Gigabyte AORUS RTX 2070 Gaming Box。
安装好 Tensorflow-gpu 1.12 后，做了一个比较完整的 Tensorflow Benchmarks，看看 eGPU 在深度学习加速中，能否和内置 GPU 一战。
Thinkpad X1 Carbon 6th (2018) + Gigabyte AORUS RTX 2070 Gaming Box
CPU：Intel(R) Core(TM) i7-8550U CPU @ 1.80GHz （4核8线程）
Memory：16.0 GB @ 2133MHz
Storage：Samsung 512GB SSD
GPU 0：Intel(R) UHD Graphics 620
GPU 1：NVIDIA GeForce RTX 2070 @ 8GB（AORUS RTX 2070 Gaming Box @ H2D）
OS：Windows 10 Version 1809
Tips：
- RTX 2070 Gaming Box 官方提供了两个版本的 firmware。出厂为：F1.0 标准版；为提高计算能力，更新为：H2D 高性能版。
采用了 Anaconda 编译版本，运行在 Anaconda 工作环境中。
Tensorflow GPU 版本及 CUDA、cuDNN 版本：
(base) C:\Users\administrator>conda list "tensorflow-gpu|CUDA|cuDNN" --name tf-gpu
# packages in environment at C:\Users\administrator\Anaconda3\envs\tf-gpu:
# Name Version Build Channel
cudatoolkit 9.0 1
cudnn 7.3.1 cuda9.0_0
tensorflow-gpu 1.12.0 h0d30ee6_0
- 测试脚本的 master branch 对应 Tensorflow latest nightly version，与 release version 并不兼容。因此，需要 clone 对应版本的 branch。例如：我 clone 的是 cnn_tf_v1.12_compatible。
- Anaconda 包含了 git 软件包，用指令：
conda install git 来安装。
- 使用 git 命令，直接从 Github 上将 benchmarks 脚本 clone 回来。
git clone --single-branch --branch cnn_tf_v1.12_compatible https://github.com/tensorflow/benchmarks.git
我没有其它的 GPU/TPU 用于性能对比，因此采用了网上的数据，引用了以下基准测试结果：
- 所有模型都在合成数据集上进行训练，这能将GPU性能与CPU预处理性能有效隔离开来。
- 对每个模型进行3次训练实验。测量每秒处理的图像数量，然后在3次实验中取平均值。
- 测试命令：
python tf_cnn_benchmarks.py --num_gpus=1 --variable_update=parameter_server --model=<model_name> --batch_size=<batch_size>
实验中使用的 model_name 和 batch_size：
| Model Name | Batch Size |
|---|
| resnet50 | 64 |
| resnet152 | 32 |
| inception3 | 64 |
| vgg16 | 64 |
| alexnet | 512 |
| 模型 / GPU | 2070 eGPU | 1080-Ti | 2080 | 2080-Ti | Vega 64 | V100 |
|---|
| ResNet-50 | 176.93 | 203.99 (86.7%) | 209.89 (84.3%) | 286.05 (61.9%) | 190.58 (92.8%) | 386.63 (45.8%) |
| ResNet-152 | 62.22 | 82.83 (75.1%) | 82.78 (75.2%) | 110.24 (56.4%) | 68.71 (90.6%) | 131.69 (47.2%) |
| Inception v3 | 113.24 | 130.2 (87.0%) | 141.9 (79.8%) | 189.31 (59.8%) | 103.82 (109.1%) | 242.7 (46.7%) |
| VGG16 | 110.23 | 133.16 (82.8%) | 123.01 (89.6%) | 169.28 (65.1%) | 101.95 (108.1%) | 233 (47.3%) |
| AlexNet | 2258.94 | 2720.59 (83.0%) | 2567.38 (88.0%) | 3550.11 (63.6%) | 1573.01 (143.6%) | 4707.67 (48.0%) |
单位：image/sec；百分比：2070 性能 / 当前 GPU 性能。
从测试结果来看：
- AORUS RTX 2070 Gaming Box 大约是 2080/1080-Ti 的 83% 性能，2080-Ti 的 61.5% 性能，V100 的 47% 性能，比 Vega 64 略好。
- 从 userbenchmark.com 的测试来看，RTX 2070 的游戏性能大约是 GTX 1080-Ti 的 86%。也就是说，eGPU 由于 Thunderbolt 3 的带宽限制，引起的性能下降约为 4%，完全在可接受的范围。
- 由于 eGPU 的价格远远高于同型号内置 GPU（约高出￥2000 左右），因此性价比无法与内置 GPU 相比。
- 但从另一方面看，内置 GPU 需购置一整套系统来维持运作。一套 RTX 2070 的主机约 ￥9500，这个价格又远远超过 eGPU 的价格了。
- eGPU 在性能上和内置 GPU 相当，损失约 4% 的性能。
- 价格可以接受，性价比远超 GPU 主机。
- 兼顾了性能和可移动性。
- 通常 eGPU 扩展坞自带了 PD 充电功能，可直接给笔记本供电。
- 噪声远小于 GPU 主机（办公室的 GPU 工作站实在是太吵，只好搬到机房去，在家不可能使用这么吵的主机）。
- 用于深度学习入门及应用研究，同时又不打算购置一台 GPU 主机的用户，eGPU 是最佳选择！
Tips：
文章目录前言硬件环境Tensorflow 版本测试脚本Benchmarks 对比数据测试方法#测试结果对比结论前言开始学习 Tensorflow，但是又不想投资一台专用的 GPU 工作站。我现在使用的主力电脑是：Thinkpad X1 Carbon，计划购置 eGPU 来加速 Tensorflow。购置之前做了一些功课，发现对 eGPU 的游戏性能测试很多，但是缺乏准确的 Tensorfl...
V:\configstartup.bat
内容如下:（与其说是心得，不如说是自己配置后体验的效果，来翻译一下下面英文会给显卡带来什么样的表现）
::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::
:: Template: %DRV%:\config\startup.tpl. “::”=comment. call=runs batch files
:::::::::::::::::::
with tf.device('/cpu:0'):
cpu_a = tf.random.normal([10000, 1000])
cpu_b = tf.random.normal([1000, 2000])
print(cpu_a.device, cpu_b.device)
with tf.device('/gpu:0'):
gpu_a = tf.random.normal([10000, 1000])
gpu_.
gpu_available = tf.test.is_gpu_available()
print('tensorflow version:',tensorflow_version, '\tGPU available:', gpu_available)
a = tf.constant([1.0, 2.0], name=
