色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術視頻
  • 寫文章/發帖/加入社區
會員中心
創作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內不再提示

谷歌TPU2和英偉達V100的性能詳細對比

ml8z_IV_Technol ? 來源:未知 ? 作者:胡薇 ? 2018-05-04 14:38 ? 次閱讀

本文詳細對比了谷歌TPU2和英偉達V100的性能,有兩個對比方向:一是測試在沒有增強過的合成數據上的吞吐量(每秒圖像);二是,考察ImageNet上兩者實現的精確性和收斂性。結果在ResNet-50模型的原始表現上,4塊TPU2芯片和4塊V100GPU速度相同。訓練ResNet-50時谷歌云TPU的實現用時短到令人發指,且基于ImageNet數據集的圖像分類準確度達76.4%的成本只要73美元,說物美價廉可能也不過分。

去年5月,谷歌推出了第二代TPU芯片,這是一個自定義開發的深度學習加速芯片,不少人認為有望成為英偉達GPU的替代品。

可事實真的如此么?

在這篇文章中,作者詳細對比了谷歌TPU2和英偉達V100的性能。孰優孰劣,一較便知~

環境設置

話不多說直接上干貨了。下面我們就先比較由四個TPU芯片組成的TPU2組合板與四個英偉達V100 GPU的環境設置的差別。

巧的是,因為兩者的總內存均為64G,因此我們能夠用同一個模型測試了,還能使用相同的batch size,節省了不少工夫呢。

在這次實驗中,我們用相同的方式訓練模型,雙方需要運行同步數據并行分布式訓練。

最后,我們選中了ImageNet上的ResNet-50模型進行測試。它實際上是圖像分類的一個參考點,雖然參考實現是公開的,但目前還沒有一個支持在云TPU和多個GPU上訓練的單一實現。

先看看V100這一邊,英偉達建議用MXNet或TensorFlow來實現,兩者都可以在英偉達GPU云上的Docker映像中使用。

但實際的操作中我們卻發現了一些問題,這要是兩種實現不能很好融合多個GPU和產生的大型batch size。

好在我們還有一些新發現,從TensorFlow的基準存儲庫中使用ResNet-50實現,并在Docker映像中運行它是可行的。這種方法比英偉達的推薦的TensorFlow實現要快得多,只比MXNet實現稍微慢一點(約3%)。這樣一來,也更容易在相同版本中用同一個框架的實現做對比。

再看看谷歌云TPU這一邊,官方建議用帶TensorFlow 1.7.0官方TPU存儲庫的bfloat16實現。TPU和GPU實現都在各自的體系架構上使用混合精度計算,但大部分張量是以半精度的方式儲存的。

一翻研究和對比后……我們終于敲定了實驗方案。

對于V100來說,我們決定用AWS上的p3.8xlarge實例(Xeon E5-2686@2.30GHz 16內核,244GB內存,Ubuntu16.04),用4個單個內存為16GB的V100 GPU進行測試。

TPU這邊的測試,我們將小型的n1-standard-4實例作為host(Xeon@2.3GHz兩核,15GB內存,Debian 9),我們提供了一個云TPU,由4個單個內存為16G的TPU2芯片組成。

方案敲定后,我們又規劃了兩個對比方向。

一是我們要測試在沒有增強過的合成數據上的吞吐量(每秒圖像)。這種比較獨立于收斂性,保證里了在I/O或數據增強中沒有瓶頸bottleneck影響結果。

二是,我們要考察ImageNet上兩者實現的精確性和收斂性。

目標,明確,方法,明確。我們迫不及待開始測試了——

吞吐量測試

我們依據每秒合成數據上的圖像來測量吞吐量,即在訓練數據實時創建、batch size也不同的情況下對吞吐量進行檢測

雖然~官方只推薦的TPU的batch size是1024,但是基于讀者的請求,我們還報告了其他batch size大小的性能。

△在合成數據和w/o數據增強的不同批次上每秒的圖像性能

在batch size為1024的情況下,雙方的吞吐量旗鼓相當,TPU略領先2%。

當batch size較小時,在雙方吞吐量均降低,但對比起來GPU的性能稍好一些。看來,這些batch size真的不是TPU的推薦設置~

根據英偉達的建議,我們還也在MXNet上做了一個GPU測驗。

利用英偉達GPU云上Docker映像中提供的ResNet-50實現(mxnet:18.03-py3),我們發現在batch size為768的情況下,GPU每秒能處理約3280個圖像。這比上面最好的TPU結果還要快3%。

也正如上面所說的那樣,在上述batch size下,MXNet的實現在多個GPU上并沒有很好聚合。所以,我們接下來研究的重點就是這就是為什么我們將重點就是TensorFlow的實現。

性價比

上面我們也提到過,谷歌云TPU2一組有四塊芯片,目前只在谷歌云上才能用到。

當需要進行計算時,我們可以將它與虛擬機相連。考慮到谷歌云上不支持英偉達V100,所以其云服務只能來自AWS。

基于上述結果,我們可以把數據標準化,從每小時的花費、每秒處理的圖片數量、每美元能處理的圖片數三個維度進行對比。

△每美元每秒處理圖像的表現

對比下來,谷歌云TPU性價比略高。不過,谷歌TPU目前不賣,只能租。如果你考慮長期租用,或者購買的話,結論就不一樣了。

有一點你可能忘了,上面這張表的前提是假定了我們的租期為12個月,所以費用中包含了AWS上p3.8xlarge實例,并且不需要提前支付定金。這樣大大降低了價格,還能達到每美元能處理375張圖片的不錯效果。

其實對于GPU來說,還有更多的選擇。比方說,Cirrascale提供4臺V100GPU服務器的月租服務,收費大概是7500美元,折算下來是每小時10.3美元。

不過,因為AWS上像CPU、內存、NVLink支持等硬件類型也各不同,如果要更直接的對比,就需要更多的參考數據。其他費用套餐可參考:

http://www.cirrascale.com/pricing_x86BM.php

精準度和收斂程度

除了原始的表現,我們還希望有效驗證的計算能力。比方說,實現收斂的結果。因為比較的是兩個不同的實現,所以可以預期到結果會有不同。比較的結果不僅僅是硬件的速度,也包含實現的質量。

比方說,TPU實現的過程中應用到了計算密集的圖像預處理步驟,并且還犧牲了原始的吞吐量。下面我們也能看到,谷歌的這種選擇有不錯的回報。

我們用ImageNet數據集訓練這些模型,想把圖像進行分類。目前,這個數據集中的類別已經細分到了1000種,包含了130萬張訓練圖片,5萬張驗證圖片。

我們在batch size為1024的情況下進行訓練,進行了90次迭代后在驗證集上對比雙方的結果。

結果顯示,TPU可以每秒完成2796張圖,GPU則為2839張。這個結果和我們上面提到的吞吐量不同,是因為上面我們禁用了數據增強,并用合成數據來比較的TPU和GPU的原始速度。

△90次訓練之后,Top-1 精確值*(只考慮每張圖最高的預估)

從上圖可以看出來,90次訓練之后,TPU實現的Top-1精準度要好過GPU,有0.7%的優勢。

雖然0.7%的優勢看起來非常微小,但在如此高水平的情況下還有這樣的改進非常難,基于不同的應用個,這點改進將對最后的結果有很大影響。

接下來,我們看一下不同訓練時期,模型Top-1精準度的表現。

△在驗證集上,兩種方法實現Top-1精準度的表現

可以看出,圖表中有一段精準度陡增,和學習速率高度同步。TPU實現的收斂表現更好,最后到第86次訓練時,準確率可以達到76.4%。

GPU的表現就被甩在了后面,第84次訓練后達到了75.7%的準確率,而TPU早在第64次訓練時就達到了這個水平。

TPU有更好的表現,很可能要歸功于前期的預處理和數據增強。不過我們需要更多的實驗來驗證這個猜想。

基于成本價格提出的解決方案

我們最終需要考慮的,一是整個流程走下來的時間,二是它需要耗費多少資金。如果我們假設最后可接受的準確率為75.7%,那么可以根據每秒訓練速度和既定要求的訓練次數,算出來達到這個標準所需的成本。時間方面需要注意,不包括訓練啟動用時,以及訓練期間的模型驗證用時。

△達到75.1%Top-1準確率所需成本 | *表示租期為12個月

上圖顯示,谷歌TPU從零訓練圖像分類模型的成本是55美元(且訓練時間用了不到9小時)!收斂到76.4%的話成本將達到73美元。

而英偉達V100速度差不多快,但成本會更高,收斂速度也比較慢,不是個性價比高的解決方案~

對了,我們這個結論是基于實現的質量、云的價格來對比得出的。其實還有另外一個維度可以來比較,即算力的損耗。不過因為我們缺乏二代TPU算力損耗的公開信息,這方面的對比先不做了啦。

總結

按我們上述的衡量標準來看,在ResNet-50模型的原始表現上,4塊TPU2芯片和4塊V100GPU是速度相同。

目前來說,訓練ResNet-50時谷歌云TPU的實現用時短到令人發指,且基于ImageNet數據集的圖像分類準確度達76.4%的成本只要73美元,說物美價廉可能也不過分~

聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人,不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用,如有內容侵權或者其他違規問題,請聯系本站處理。 舉報投訴
  • 谷歌
    +關注

    關注

    27

    文章

    6161

    瀏覽量

    105304
  • gpu
    gpu
    +關注

    關注

    28

    文章

    4729

    瀏覽量

    128892
  • TPU
    TPU
    +關注

    關注

    0

    文章

    140

    瀏覽量

    20720
  • 英偉達
    +關注

    關注

    22

    文章

    3770

    瀏覽量

    90991

原文標題:谷歌TPU2代有望取代英偉達GPU?測評結果顯示…

文章出處:【微信號:IV_Technology,微信公眾號:智車科技】歡迎添加關注!文章轉載請注明出處。

收藏 人收藏

    評論

    相關推薦

    OpenAI與博通洽談合作!定制化ASIC芯片走向臺前,英偉GPU迎來“勁敵”?

    設計公司就開發新芯片進行洽談,以減輕對英偉的依賴并加強供應鏈。 ? 此外,據稱OpenAI還聘請了曾參與谷歌張量處理單元(TPU)開發和生產的谷歌
    的頭像 發表于 07-20 00:02 ?4918次閱讀
    OpenAI與博通洽談合作!定制化ASIC芯片走向臺前,<b class='flag-5'>英偉</b><b class='flag-5'>達</b>GPU迎來“勁敵”?

    英偉谷歌聯手加速量子計算設備設計

    近日,據外媒最新報道,英偉谷歌兩大科技巨頭宣布攜手合作,共同加速下一代量子計算設備的設計進程。 雙方在一份聯合聲明中透露,谷歌的量子人工智能部門將充分利用
    的頭像 發表于 11-21 11:08 ?387次閱讀

    英偉谷歌攜手加速量子計算設備設計

    英偉近日宣布,將與谷歌量子AI團隊展開合作,共同推進量子計算軟硬件工具的研發。雙方將利用英偉CUDA-Q平臺提供的模擬支持,加快設計
    的頭像 發表于 11-19 16:21 ?207次閱讀

    英偉攜手谷歌,共筑量子計算新篇章

    人工智能(Quantum AI)部門將充分利用英偉先進的Eos超算技術,以加速量子計算部件的設計進程。這一舉措不僅展現了英偉在高性能計算
    的頭像 發表于 11-19 11:06 ?278次閱讀

    TPU v1到Trillium TPU,蘋果等科技公司使用谷歌TPU進行AI計算

    ,在訓練尖端人工智能方面,大型科技公司正在尋找英偉以外的替代品。 ? 不斷迭代的谷歌TPU 芯片 ? 隨著機器學習算法,特別是深度學習算法在各個領域的廣泛應用,對于高效、低功耗的AI
    的頭像 發表于 07-31 01:08 ?3355次閱讀

    英偉TITAN AI顯卡曝光,性能狂超RTX 409063%!# 英偉# 顯卡

    顯卡英偉
    jf_02331860
    發布于 :2024年07月24日 17:18:28

    谷歌數據中心處理器市占率躍升,超越AMD僅次于英偉和英特爾

    值得注意的是,谷歌并未像英偉、英特爾和AMD等傳統處理器廠商那樣對外銷售芯片,而是主要應用TPU系列處理器于自身業務及云服務中。
    的頭像 發表于 05-23 15:30 ?642次閱讀

    進一步解讀英偉 Blackwell 架構、NVlink及GB200 超級芯片

    新的標準。Blackwell架構和GB200 超級芯片有望推動英偉在人工智能領域更進一步,鞏固其在高性能計算和人工智能技術領域的領先地位。隨著亞馬遜網絡服務、谷歌云和微軟 Azure
    發表于 05-13 17:16

    Hi3519A V100 4K智能IP攝像頭SoC數據手冊

    電子發燒友網站提供《Hi3519A V100 4K智能IP攝像頭SoC數據手冊.pdf》資料免費下載
    發表于 04-09 16:25 ?5次下載

    英偉H200和A100的區別

    英偉H200和A100兩款芯片在性能、架構、內存以及應用場景等多個方面存在顯著的區別。
    的頭像 發表于 03-07 16:23 ?3597次閱讀

    英偉H200和A100的差異

    英偉H200和A100在多個方面存在差異。
    的頭像 發表于 03-07 16:18 ?2532次閱讀

    英偉:預計下一代AI芯片B100短缺,計劃擴產并采用新架構

    近期熱門的 H100 芯片運期短縮數天后,英偉新型 AI 旗艦芯片 B100搭載全新的 Blackwell,有望使 AI 計算性能提升至
    的頭像 發表于 02-25 09:29 ?910次閱讀

    谷歌TPU v5p超越Nvidia H100,成為人工智能領域的競爭對手

    TPU v5p已在谷歌“AI超級計算機”項目中發揮重要作用,這并非專業科研型超算平臺,而是面向各類人工智能應用。與Nvidia開放GPU購買策略不同,谷歌高端
    的頭像 發表于 12-26 15:20 ?2317次閱讀

    谷歌最強大的定制設計人工智能加速器—TPU v5p芯片

    谷歌正迅速成為 BFF Nvidia 的強大對手——為其超級計算機提供動力的 TPU v5p AI 芯片速度更快,內存和帶寬比以往任何時候都多,甚至擊敗了強大的 H100
    的頭像 發表于 12-26 09:31 ?1894次閱讀
    主站蜘蛛池模板: 国产午夜视频在永久在线观看| 国产99久久亚洲综合精品西瓜tv | 成3d漫二区三区四区| 最新国产麻豆精品| 亚洲综合AV在线在线播放| 性满足久久久久久久久| 日韩欧美视频一区二区在线观看| 老师湿乎乎两半嫩| 久久成人a毛片免费观看网站| 国语自产一区第二页| 国产精品av免费观看| 俄罗斯爱爱| 国产成人精品电影| 国产小视频在线高清播放| 久久这里只有热精品18| 日本人bbwbbwbbwbbw| 差差差差差差差差免费观看| 攵女yin乱合集高h| yellow片高清视频免费看| 日韩影院久久| 日本人xxxⅹ18hd19hd| 欧美亚洲日韩欧洲不卡| 超碰久久国产vs| 草莓视频在线观看完整高清免费| 116美女写真成人午夜视频| 欧美群交XXXCOM| 国产成人精品视频免费大全| 好男人免费观看在线高清WWW | 波多野结衣二区| 久草在线一免费新视频| 久久青草影院| 男女免费观看在线爽爽爽视频| 全免费a级毛片免费看| 四库影院永久国产精品| 9797在线看片亚洲精品| 97人人添人人澡人人澡人人澡 | 国产做国产爱免费视频| 青青草原国产在线观看| 性xxx免费视频| z0000性欧美| 久久全国免费久久青青小草|