tensorflow benchmark 基准测试

1.resnet 深度残差网络，主要模型有resnet18,resnet34,resnet50,resnet101,resnet152，
ResNet可以提供18、34、50、101、152甚至更多层的网络，同时获得更好的精度，ResNet已经被广泛运用于各种特征提取应用中，
当深度学习网络层数越深时，理论上表达能力会更强，但是CNN网络达到一定的深度后，再加深，分类性能不会提高，而是会导致网络收敛更缓慢，
准确率也随着降低，即使把数据集增大，解决过拟合的问题，分类性能和准确度也不会提高

2.VGG 是由 Simonyan 和 Zisserman 在论文 “Very Deep Convolutional Networks for Large Scale Image Recognition” 中提出卷积神经网络模型，其名称来源于作者所在的牛津大学视觉几何组 (Visual Geometry Group) 的缩写。VGG 中根据卷积核大小和卷积层数目的不同，可分为 A、A-LRN、B、C、D、E 共6个配置 (ConvNet Configuration)，其中以 D 和 E 两种配置较为常用，分别称为 VGG16 和 VGG19

3.GoogleNet  GoogLeNet是由谷歌公司研究出来的深度学习网络结构，其最大的创新就是提出了Inception模块，
所以2014年提出的GoogLeNet网络又称为Inception V1，后来谷歌公司又不断对其进行改进，先后又提出了V2、V3以及V4的改进版。
Inception V1凭借其独有的Inception结构在控制参数量的同时又扩展了网络的深度，Inception V1网络的深度有22层，
但是参数量却只有500万个，大大少于VGGNet的1亿3000万和AlexNet的6000万的参数量


4.AlexNet  今天人们不会在采用或借鉴 AlexNet 来设计网络来，不过无疑是 AlexNet 出现，在次掀起神经网络的热度。
AlexNet 是 2012年 ImageNet竞赛冠军获得者 Hinton 和他的学生 Alex Krizhevsky 设计的。

5.Inception v3 主要提出了分解卷积，把大卷积因式分解成小卷积和非对称卷积，通过大量使用 Inception 模块的降维和并行结构实现的，
允许减轻结构变化对附近组件的影响

使用 Tensorflow Benchmark 进行基准测试
镜像: nvcr.io/nvidia/tensorflow:20.10-tf2-py3
CUDA: 1.11（rtx-3090最低cuda版本为1.11）
测试代码：https://github.com/tensorflow/benchmarks
框架：tensorflow
显卡：RTX-3090（腾讯黑石服务器RTX-3090）
启动命令： 
         GPU：python benchmarks/scripts/tf_cnn_benchmarks/tf_cnn_benchmarks.py  
              --num_gpus=1 --batch_size=128 --model=vgg16
         CPU：python benchmarks/scripts/tf_cnn_benchmarks/tf_cnn_benchmarks.py 
         --device=cpu --model=googlenet --data_format=NHWC --batch_size=32   
         # --batch_size 和 --model 可根据具体场景修改
         #