Publicado por PNY Pro, 03 de mayo de 2019
Como aficionado al PC, me gusta probar soluciones de hardware de forma comparativa para mejorar su rendimiento relativo al utilizar una solución diferente. Este proceso también se conoce como "evaluación comparativa". Los resultados de la evaluación comparativa se consideran el mejor instrumento para evaluar los resultados de los sistemas competitivos en el momento de la compra.
En esta serie de tres artículos del blog explicamos cómo se construye un sistema cuyo objetivo es evaluar la capacidad de Deep Learning de la GPU con Ubuntu 18.04, NVIDIA GPU Cloud (NGC) y TensorFlow.
La serie de blogs se abre de la siguiente manera:
Primera parte : Introducción
Segunda parte : Análisis del hardware
Dritter Teil: Einrichtung der Software
La mayoría de los jugadores se basan en herramientas de evaluación comparativa como 3DMark y Unigene Superposition, mientras que los profesionales se basan en herramientas de evaluación comparativa como SPECviewperf y PassMark. Cuando se trata de pruebas de aprendizaje profundo, el principal "truco" es el entrenamiento de redes neuronales ResNet-50 mediante el uso de los datos ImageNet, similares a los de ImageNet-2012 para la clasificación de imágenes.
Las empresas que apuestan por el aprendizaje profundo utilizan esta herramienta con frecuencia para medir y comparar el rendimiento. Esta métrica apareció hace poco en un blog de NVIDIA, en el que se describen distintas soluciones de aprendizaje profundo. Aquí puedes encontrar más información: https://developer.nvidia.com/deep-learning-performance-training-inference
Dado que el Deep Learning es bastante flexible, esta clasificación no es una descripción completa del rendimiento del Deep Learning. Sin embargo, es útil y relevante, ya que nos ofrece un estándar justo para la comparación de resultados de "imágenes por semana".
Me gustaría destacar que el Dr. Kinghorn de Puget Systems, socio de PNY, lleva más de un año escribiendo sobre este tema; sus blogs son una ayuda muy útil para los principiantes y también ofrecen consejos útiles para los usuarios avanzados. Sus recomendaciones son muy interesantes. Tómese su tiempo para leer su extenso blog de 5 páginas.
Introducción a NGC.
La geometría utilizada para realizar estas pruebas de flujo de trabajo es NVIDIA GPU-Cloud, o NGC.
NGC es una solución de gestión de contenedores Docker de bajo coste, una muestra de software de código abierto para el análisis, el aprendizaje masivo y la mejora de la ciencia de datos. Entre los principales marcos de trabajo disponibles en NGC se encuentran TensorFlow, PyTorch, Caffe2 y muchos otros. Puede consultar el registro de NGC en el siguiente enlace: https://ngc.nvidia.com/catalog, no es necesario registrarse.
¿Qué es también un contenedor? En Docker.com :
"Un contenedor es un estándar de software que contiene el código y todas sus características, lo que permite un uso rápido y sencillo de un ordenador a otro. Un Docker-Container-Image es un paquete de software ligero, personalizado y fácil de usar que contiene todo lo necesario para el funcionamiento de una aplicación: código, tiempo de funcionamiento, herramientas del sistema, bibliotecas del sistema e instalaciones ." https://www.docker.com/resources/what-container
De acuerdo con esta definición, un contenedor es una combinación de software controlada, en la que todo el software está tan integrado que se puede combinar perfectamente. El uso de contenedores Docker garantiza la coherencia de la carga de software entre las pruebas y la ausencia de errores entre las distintas bibliotecas. NGC-Container tiene la ventaja añadida de que está optimizado, validado y adaptado a la GPU de NVIDIA, por lo que funciona perfectamente con las GPU NVIDIA.
¿Por qué debe utilizar un sistema Linux? NGC sólo funciona con Linux.
Después de que en el último blog hayamos hablado de hardware, consulta el registro de NGC y echa un vistazo a los distintos contenedores disponibles. Visita también la página de PNY para obtener más información sobre cómo las GPU NVIDIA están cambiando el mundo.
