When using the dataset, we usually

When using the dataset, we usually divide it in minibatches (see Stochastic Gradient Descent).
We encourage you to store the dataset into shared variables and access it based on the minibatch
index, given a fixed and known batch size. The reason behind shared variables is related to using
the GPU. There is a large overhead when copying data into the GPU memory. If you would
copy data on request ( each minibatch individually when needed) as the code will do if you do
not use shared variables, due to this overhead, the GPU code will not be much faster then the
CPU code (maybe even slower). If you have your data in Theano shared variables though, you
give Theano the possibility to copy the entire data on the GPU in a single call when the shared
variables are constructed. Afterwards the GPU can access any minibatch by taking a slice
from this shared variables, without needing to copy any information from the CPU memory
and therefore bypassing the overhead. Because the datapoints and their labels are usually of
different nature (labels are usually integers while datapoints are real numbers) we suggest to
use different variables for label and data. Also we recommend using different variables for
the training set, validation set and testing set to make the code more readable (resulting in 6
different shared variables).

ผลลัพธ์ (ไทย) 1:

เมื่อใช้ชุดข้อมูล เรามักจะแบ่งใน minibatches (ดูโคตรแบบเฟ้นสุ่มไล่โทนสี)แนะนำว่าคุณเก็บชุดข้อมูลในตัวแปรร่วมและเข้าถึงได้ตามที่ minibatchดัชนี กำหนดขนาดคงที่ และรู้จักชุด เกี่ยวข้องกับการใช้เหตุผลอยู่เบื้องหลังตัวแปรร่วมGPU มีโสหุ้ยใหญ่เมื่อคัดลอกข้อมูลในหน่วยความจำของ GPU ถ้าคุณต้องการคัดลอกข้อมูลที่ต้องการ (แต่ละ minibatch ละเมื่อจำเป็น) เป็นรหัสจะทำคุณไม่ใช้ตัวแปรร่วม เนื่องจากค่าใช้จ่ายในนี้ รหัส GPU จะไม่เร็วมากนั้นรหัส CPU (แม้อาจจะช้า) ถ้าคุณมีข้อมูลใน Theano ร่วมแปรว่า คุณให้สามารถคัดลอกข้อมูลทั้งหมดบน GPU ตัวเดียวโทรเมื่อ Theano ที่ใช้ร่วมกันมีสร้างตัวแปร หลังจากนั้น GPU สามารถเข้าถึง minibatch ใด ๆ ด้วยเสี้ยวหนึ่งจากนี้ใช้ร่วมกันตัวแปร ไม่จำเป็นต้องคัดลอกข้อมูลจากหน่วยความจำของ CPUและดังนั้นจึง เลี่ยงค่าโสหุ้ย เนื่องจาก datapoints การและป้ายชื่อเป็นปกติธรรมชาติที่แตกต่างกัน (ป้ายมักเต็มในขณะที่ datapoints เป็นจำนวนจริง) เราแนะนำให้ใช้ตัวแปรที่แตกต่างกันสำหรับป้ายชื่อและข้อมูล เราขอแนะนำใช้ตัวแปรที่แตกต่างกันสำหรับชุดฝึก ชุดตรวจสอบ และชุดทดสอบเพื่อให้รหัสที่อ่านได้ง่ายขึ้น (เกิด 6ต่างร่วมตัวแปร)

ผลลัพธ์ (ไทย) 2:

เมื่อใช้ชุดข้อมูลที่เรามักจะแบ่งใน minibatches (ดู Stochastic ไล่โทนสีโคตร).
เราขอแนะนำให้คุณสามารถเก็บชุดข้อมูลลงในตัวแปรที่ใช้ร่วมกันและเข้าถึงได้ขึ้นอยู่กับ minibatch
ดัชนีได้รับชุดขนาดคงที่และเป็นที่รู้จัก เหตุผลที่อยู่เบื้องหลังตัวแปรที่ใช้ร่วมกันเป็นที่เกี่ยวข้องกับการใช้ของ GPU
มีค่าใช้จ่ายที่มีขนาดใหญ่เมื่อคัดลอกข้อมูลลงในหน่วยความจำของ GPU เป็น หากคุณต้องการคัดลอกข้อมูลตามคำขอ (minibatch แต่ละรายบุคคลเมื่อมีความจำเป็น) ในขณะที่รหัสจะทำอย่างไรถ้าคุณไม่ได้ใช้ตัวแปรที่ใช้ร่วมกันเนื่องจากค่าใช้จ่ายนี้รหัสGPU จะไม่ได้เร็วขึ้นมากแล้วรหัสCPU (อาจจะช้าลง) หากคุณมีข้อมูลของคุณใน Theano ตัวแปรที่ใช้ร่วมกันแม้ว่าคุณให้Theano ความเป็นไปได้ในการคัดลอกข้อมูลทั้งหมดบน GPU ในสายเดียวเมื่อใช้ร่วมกันตัวแปรจะสร้าง หลังจากนั้น GPU สามารถเข้าถึง minibatch ใด ๆ โดยการใช้ชิ้นจากตัวแปรที่ใช้ร่วมกันนี้โดยไม่จำเป็นต้องคัดลอกข้อมูลจากหน่วยความจำของCPU และดังนั้นจึงผ่านค่าใช้จ่าย เพราะ datapoints และป้ายชื่อของพวกเขาเป็นเรื่องปกติของธรรมชาติที่แตกต่างกัน(ฉลากมักจะมีจำนวนเต็ม datapoints ขณะที่ตัวเลขจริง) เราขอแนะนำให้ใช้ตัวแปรที่แตกต่างกันสำหรับฉลากและข้อมูล นอกจากนี้เราขอแนะนำให้ใช้ตัวแปรที่แตกต่างกันสำหรับชุดการฝึกอบรมชุดการตรวจสอบและการทดสอบที่จะทำให้การตั้งค่ารหัสที่อ่านได้มากขึ้น (6 ผลในตัวแปรที่ใช้ร่วมกันที่แตกต่างกัน)

ผลลัพธ์ (ไทย) 3:

เมื่อใช้ข้อมูล เรามักจะแบ่งมัน minibatches ( ดูสุ่มไล่ระดับโคตร ) .
เราขอแนะนำให้คุณเก็บข้อมูลลงในตัวแปรที่ใช้ร่วมกันและเข้าถึงได้บนพื้นฐานของดัชนี minibatch
ให้คงที่และทราบขนาดชุด เหตุผลที่ใช้ตัวแปรที่เกี่ยวข้องกับการใช้
GPU . มันเป็นค่าใช้จ่ายขนาดใหญ่เมื่อคัดลอกข้อมูลลงในชิปหน่วยความจำ ถ้าคุณ
ขอคัดลอกข้อมูลในแต่ละ minibatch ทีเมื่อต้องการ ) เป็นรหัสจะทำถ้าคุณ
ไม่ใช้ตัวแปรร่วมกัน เนื่องจากค่าใช้จ่ายนี้ GPU รหัสจะไม่เร็วเท่าไหร่แล้ว
CPU รหัส ( แม้อาจช้า ) ถ้าคุณมีข้อมูลในตัวแปรที โน ที่ แม้ว่า คุณ
ให้ที โนอาจจะคัดลอกข้อมูลทั้งหมดบน GPU ในโทรหาเมื่อแบ่งปัน
ตัวแปรถูกสร้างขึ้น หลังจากนั้น minibatch GPU สามารถเข้าถึงใด ๆโดยการฝาน
จากตัวแปรนี้ร่วมกันโดยไม่จำเป็นต้องคัดลอกข้อมูลจากซีพียูหน่วยความจำ
จึงผ่านเหนือศีรษะ เพราะ datapoints และป้ายชื่อของพวกเขามักจะมี
ธรรมชาติที่แตกต่างกัน ( ป้ายมักจะเต็มในขณะที่ datapoints ตัวเลขจริง

) เราแนะนำการใช้ตัวแปรที่แตกต่างกันสำหรับป้ายชื่อและข้อมูล นอกจากนี้ เราแนะนำให้ใช้ตัวแปรที่แตกต่างกันสำหรับ
ชุดฝึกอบรม การตรวจสอบการตั้งค่าและทดสอบการตั้งค่าเพื่อให้รหัสที่อ่านได้มากขึ้น ( ผลใน 6
ต่างกันที่ตัวแปร )