1
所以我玩弄pycaffe的卷积函数作为基本卷积层的一部分。这是我的convolution.prototxt文件：Caffe的卷积真的如何工作？
name: "convolution"
input: "data"
input_dim: 1
input_dim: 1
input_dim: 227
input_dim: 227
layer {
name: "conv"
type: "Convolution"
bottom: "data"
top: "conv"
convolution_param {
num_output: 96
kernel_size: 11
stride: 1
}
}
这些参数都是相同的AlexNet的第一CONV层（除步幅，这实际上是4）。
我有一台配备NVIDIA GeForce GT 650M 1024 MB GPU的Macbook Pro。我不确定这意味着什么，但我的笔记本电脑也有一个Intel HD 4000作为内置GPU。
我在笔记本电脑上进行了一些测试，同时改变了跨度超参数，首先是在GPU模式下，然后是CPU。调用caffe.set_device(0); caffe.set_mode_gpu()后
1）变的进步：
Stride 1: 27.26 ms
Stride 2: 14.27 ms
Stride 3: 10.57 ms
Stride 4: 7.45 ms
2）变的进步呼唤caffe.set_mode_cpu()后：
Stride 1: 49.77 ms # expected
Stride 2: 9.92 ms # this and the results after this don't make sense
Stride 3: 4.50 ms
Stride 4: 1.96 ms
（平均3）
我只是试图根据这些测试来了解Caffe的卷积是如何工作的。任何人都可以帮我解释这一点吗？为什么CPU模式比GPU模式执行得更快？
测试代码中，我使用的，如果你在看到自己感兴趣：
import numpy as np
import caffe
import time
caffe.set_device(0)
caffe.set_mode_gpu() # caffe.set_mode_cpu()
net = caffe.Net('convolution.prototxt', caffe.TEST)
total = 0.0
for _ in range(3):
net.blobs['data'].data[...] = np.random.randn(1, 1, 227, 227) # there really is an ellipsis there
net.params['conv'][0].data[...] = np.random.randn(96, 1, 11, 11)
s = time.time()
r = net.forward()
e = time.time()
total += (e - s)
print total/3 * 1000