现在，你可以使用命令行进行试验，或者在其他地方编写脚本来运行。
(intel) C:\Users\User>python script.py
通过以下步骤1到4，使你的系统具备上面的性能基准图中提到的Intel xyz级别。这些仍然不是基于多处理器的线程优化。我将在下面讨论如何进一步优化你的多核CPU。
多核优化
要为你的多核系统添加进一步的优化，你可以将以下代码行添加到.py文件中，它将相应地执行脚本。这里NUMPARALLELEXEC_UNITS表示内核的数量，我有一个四核i7，因此这个数字是4。
如果你不喜欢使用Keras而更喜欢使用tensorflow，那么脚本几乎保持不变，只需删除以下两行。
from keras import backend as K K.set_session(session)
在你的代码中添加了这些行之后，应该可以达到上面性能图表中的Intel xyz(O)条目相当的性能。
如果你的系统中有GPU，并且它与当前库集冲突，或者抛出一个cudnn错误，那么你可以在代码中添加以下行来禁用GPU。
os.environ["CUDA_VISIBLE_DEVICES"] = "-1"
总结
现在你已经有了一个用于测试和开发机器学习项目和思想的优化pipeline。这一渠道为学生提供了大量的机会，让他们参与到学术研究中，用他们所拥有的资源继续他们的工作。这条pipeline还将防止从业者的私有数据的隐私泄露问题。
同样值得注意的是，通过适当的微调，一个人可以在他们的工作流程中获得3.45倍的加速，这意味着如果你正在试验你的想法，你现在可以比以前快三倍。
英文原文：https://towardsdatascience.com/optimize-your-cpu-for-deep-learning-424a199d7a87
请长按或扫描二维码关注本公众号
