深度学习和大数据项目可以接受大量数据。你的系统也是可以接受的，虽然它不是很强大。如果你有足够的硬盘来存储它们，这就足够了，这意味着你可以训练你的网络。每个时期的经过时间取决于多个方面。例如，一些重要的元素是批量大小和矢量化实现、磁盘和 RAM 之间的瓶颈、RAM 和 GPU 之间的瓶颈、模型的大小、训练数据的大小、内存大小GPU 的大小以及 RAM 的大小、每个数据的大小、操作系统对 GPU 施加的负载等等。最简单的方法是编写网络代码并自己尝试。

正如我所提到的，通过当前设置，您可以训练您的网络，但您的计算速度可能不是很快。但是，您可以使用一些技巧来尽可能地促进您的训练阶段。例如，您有两个主要瓶颈。第一个瓶颈存在于磁盘和 RAM 之间，可以使用生成器来处理。也就是说，您可以使用生成器来减少磁盘调用的数量。RAM 和 GPU 之间的另一个瓶颈可以使用神经网络的矢量化实现来处理。加载网络后，您可以找到合适的批量大小以使用所有可用的 GPU 内存。

我还想指出，您当前使用的 GPU 可能有空间限制。当您的网络非常大时，这可能会带来困难。在这种情况下，您将无法将整个网络加载到 GPU。