Skip to main content
Non classé

PNY Pro-Tipp #01 : Benchmark pour Deep Learning avec NVIDIA GPU-Cloud et Tensorflow (Teil 1)

Publié par PNY ProLe 3 mai 2019

En tant que passionné de PC, j'aime bien que l'on examine les solutions matérielles dans leur ensemble, afin d'optimiser leur performance relative lors de l'utilisation d'un appareil de meilleure qualité. Ce processus est également connu sous le nom de "benchmarking". Les résultats de l'étalonnage sont considérés dans le règlement comme le meilleur instrument pour évaluer les avantages des systèmes non concurrentiels dans le cadre de la procédure d'agrément.

Dans cette troisième série de blogs, nous expliquons comment créer un système, en nous concentrant sur l'évaluation comparative de la liste de GPU pour l'apprentissage profond avec Ubuntu 18.04, NVIDIA GPU Cloud (NGC) et TensorFlow.

 

La série de blogs est présentée ci-dessous :


Première partie :
Introduction
Deuxième partie :
Analyse du matériel
Troisième
partie : Mise en place du logiciel

 

La plupart des joueurs utilisent des outils d'évaluation des performances tels que 3DMark et Unigene Superposition, tandis que les professionnels utilisent des outils plus performants tels que SPECviewperf et PassMark. S'il s'agit de tests d'apprentissage profond, le meilleur "bâton" est l'entraînement d'un réseau neuronal ResNet-50 en utilisant les données ImageNet, plus précisément les données ImageNet-2012 pour la classification des images.

Les entreprises qui s'appuient sur l'apprentissage profond (Deep Learning) utilisent largement cette méthode pour évaluer et comparer les résultats. Cette métrique a été publiée dans un blog de NVIDIA, dans lequel plusieurs cadres de travail d'apprentissage profond ont été comparés. Pour en savoir plus : https://developer.nvidia.com/deep-learning-performance-training-inference

Conseil 12- NVIDIASi l'apprentissage profond n'a pas été suffisamment développé, ce chiffre n'est pas une description complète de la performance de l'apprentissage profond. Il est néanmoins intéressant et pertinent, car il constitue une norme équitable pour la comparaison des résultats des "images par semaine".

Je tiens à souligner que le Dr Kinghorn de Puget Systems, partenaire de PNY, s'est penché sur ce sujet il y a plus d'un an ; ses blogs constituent une aide précieuse pour les débutants et fournissent également des conseils utiles pour les utilisateurs expérimentés. Ses conseils sont très appréciés. Ne perdez pas de temps et lisez son blog de 5 ans.

https://www.pugetsystems.com/labs/hpc/How-To-Setup-NVIDIA-Docker-and-NGC-Registry-on-your-Workstation—Part-1-Introduction-and-Base-System-Setup-1095/

 

Introduction au NGC.


L'outil géométrique utilisé pour l'exécution de ces tests de flux de travail est le NVIDIA GPU-Cloud, ou NGC.

NGC est une solution économique de gestion des conteneurs Docker, un ensemble de logiciels de pointe pour la science des données, l'apprentissage et l'analyse des machines. Parmi les principaux frameworks disponibles au sein du CNG, citons TensorFlow, PyTorch, Caffe2 et bien d'autres encore. Vous pouvez consulter le registre du NGC en cliquant sur le lien suivant : https://ngc.nvidia.com/catalog, l'enregistrement n'est pas obligatoire.

Conseil 12 - CGN

Qu'est-ce qu'un conteneur ? Laut Docker.com :


"Un conteneur est une unité logicielle standard qui contient le code et toutes ses fonctionnalités, ce qui permet une utilisation rapide et efficace d'un ordinateur à l'autre. Une image de conteneur Docker est un ensemble de logiciels légers, propres et utiles, qui contient tout ce qui est nécessaire à l'utilisation d'une application : code, durée de vie, outils système, bibliothèques système et illustrations ." https://www.docker.com/resources/what-container

Selon cette définition, un conteneur est un ensemble logiciel contrôlé, dans lequel le logiciel global est tellement intégré qu'il peut être utilisé de manière homogène. L'utilisation de conteneurs Docker permet de s'assurer que l'ensemble du logiciel est cohérent entre les tests et que les anomalies entre les différentes bibliothèques ne sont pas gênantes. Les NGC-Container ont l'avantage d'être optimisés par NVIDIA, validés et optimisés pour les GPU, de sorte qu'ils fonctionnent parfaitement avec les GPU NVIDIA.

Pourquoi utiliser un système Linux ? Aujourd'hui, NGC ne fonctionne que sous Linux.

Comme nous l'avons fait dans le dernier blog avec des explications sur le matériel, consultez le registre NGC et obtenez une vue d'ensemble des différents conteneurs disponibles. Consultez ensuite la page d'atterrissage PNY pour obtenir des informations plus détaillées sur la façon dont les GPU NVIDIA se développent dans le monde.

http://www.pny.com/ai

Conseil 12 PNY