[데스크톱] 딥러닝 pytorch 벤치마크

 

새 데스크톱을 맞춘 김에 가지고 있는 PC들과 딥러닝 벤치마크를 시도해 보았다.

import torch
torch.cuda.is_available() #True

---

import torch
import torch.nn as nn
import torch.optim as optim
import numpy as np
import time

# 1. 데이터 생성
def target_function(x):
    return np.sin(x)

# 학습 데이터 생성
x_train = np.linspace(-10, 10, 1000).reshape(-1, 1)
y_train = target_function(x_train)

# 데이터를 torch 텐서로 변환
x_train = torch.tensor(x_train, dtype=torch.float32)
y_train = torch.tensor(y_train, dtype=torch.float32)

# 2. MLP 모델 정의
class MLP(nn.Module):
    def __init__(self):
        super(MLP, self).__init__()
        self.layer1 = nn.Linear(1, 64)  # 입력층 -> 은닉층1
        self.layer2 = nn.Linear(64, 64) # 은닉층1 -> 은닉층2
        self.layer3 = nn.Linear(64, 1)  # 은닉층2 -> 출력층
    
    def forward(self, x):
        x = torch.relu(self.layer1(x))  # ReLU 활성화 함수
        x = torch.relu(self.layer2(x))  # ReLU 활성화 함수
        x = self.layer3(x)
        return x

# 3. 모델, 손실 함수, 옵티마이저 정의
model = MLP()
criterion = nn.MSELoss()  # 평균 제곱 오차(MSE) 손실 함수
optimizer = optim.Adam(model.parameters(), lr=0.0001)  # Adam 옵티마이저

# 4. 학습 시작 시간 기록
start_time = time.time()

# 5. 모델 학습
epochs = 10000
for epoch in range(epochs):
    # 순전파
    y_pred = model(x_train)
    
    # 손실 계산
    loss = criterion(y_pred, y_train)
    
    # 역전파
    optimizer.zero_grad()  # 기울기 초기화
    loss.backward()        # 기울기 계산
    optimizer.step()       # 가중치 업데이트
    
    # 100번마다 학습 상태 출력
    if (epoch + 1) % 1000 == 0:
        print(f"Epoch [{epoch+1}/{epochs}], Loss: {loss.item():.4f}")

# 6. 학습 종료 시간 기록
end_time = time.time()

# 7. 학습 시간 출력
print(f"Total training time: {end_time - start_time:.2f} seconds")

# 8. 예측 결과 출력
import matplotlib.pyplot as plt
with torch.no_grad():  # 기울기 계산을 하지 않음
    y_pred = model(x_train)

# 결과 그래프 출력
plt.plot(x_train.numpy(), y_train.numpy(), label='True Function (sin(x))')
plt.plot(x_train.numpy(), y_pred.numpy(), label='Predicted Function')
plt.legend()
plt.show()

---

• sin 함수 근사 MLP 설계
• 총 10,000 epoch 학습

---

 

1. 집컴 (RTX 2080 TI /// Intel Ultra 9 285K + DDR5 32GB)

학습 시간: 13.39 초

 

2. 연구실컴 (GTX 1050 TI /// Intel I7 8700 + DDR4 32GB)

학습 시간: 33.01 초

 

3. 연구실 워크스테이션 (RTX A2000 12GB /// AMD Ryzen Threadripper PRO 5975WX + DDR4 128GB)

학습 시간: 10.01 초