我所用的笔记本电脑没有独立显卡，因此也不支持cuda等软件的安装
1.batch_size
今天用cpu跑深度学习的时候，原本代码的batch_size=512，我知道我的电脑肯定跑不了这么大的batch_size，就设置成batch_size=256，但是jupyter notebook在跑第一个epoch的时候还是显示我的内核挂掉了，重启两三次都仍会遇到这个问题。
解决办法：把batch_size大小设置为100，在我的电脑上就可以正常运行了
每台电脑的cpu也不同，遇到类似的内核挂掉的问题，可以试着减少batch_size的大小
2.epoch
可以简单地理解为迭代的次数，与batch_size一样也会影响深度学习的速度
当epoch=50 batch_size=100的时候运行到第32个epoch还是显示内核挂掉了，我不太清楚是这两个哪个的问题，或者可能是数据量的问题。
但是我试验过，当epoch=30 batch_size=100的时候，是可以运行的。
3.运行速度
cpu处理深度学习的速度要比gpu慢很多，具体可以看下面的数据对比：
| us/step | batch_size | epoch | |
| GPU | 449us/step | 512 | 200 |
| CPU | 480ms/step | 100 | 50 |
很明显，两者的差异非常大，所以还是建议有GPU的一定要在GPU上跑，训练的数据量可以更大一些，得到的准度也会更高一些，实在不行的话再在CPU上跑。
4.continue
推荐阅读
- 开发|wsl2使用GPU进行深度学习
- 学习|深度学习中（使用GPU和CPU的区别）
- 深度学习|深度学习（GPU云服务器的租用）
- 深度学习|为什么深度学习（Deep Learning）要使用GPU而不是CPU（）
- TypeScript学习|TypeScript学习笔记十二（条件类型、内置条件类型）
- 机器学习|【机器学习】为什么进行特征筛选时前要先用相关性筛一遍再进行降维（）
- 机器学习|pytorch查看网络架构的几种方法
- Python|python练习
- 单细胞系列|SCS【4】单细胞转录组数据可视化分析 (Seurat 4.0)