PNY Pro, 03 maja 2019 r.
Będąc pasjonatem informatyki, lubię przeciwstawiać sobie rozwiązania sprzętowe w celu określenia ich wydajności podczas wykonywania określonego zadania. Proces ten jest również znany pod nazwą "Benchmarking". Wyniki analizy porównawczej są powszechnie uważane za najlepsze narzędzie do oceny wydajności systemów konkurujących ze sobą podczas podejmowania decyzji o zakupie.
W tej serii blogów w trzech odsłonach omówimy sposób budowy systemu, kładąc nacisk na ocenę wydajności procesorów graficznych na potrzeby zaawansowanej nauki z wykorzystaniem Ubuntu 18.04, NVIDIA GPU Cloud (NGC) i TensorFlow.
Kolejna seria artykułów przedstawia się następująco:
Partie Une: Wprowadzenie
Część druga: Rozważania na temat sprzętu
Część trzecia: Konfiguracja oprogramowania
La plupart des joueurs connaissent les outils de benchmarking tels que 3DMark et Unigene Superposition, tandis que les professionnels s'appuient sur des suites de confiance telles que SPECviewperf et PassMark. Jeśli chodzi o kryteria oceny odpowiedniego szkolenia, najbardziej znanym "narzędziem pomiarowym" jest tworzenie sieci neuronowej ResNet-50 za pomocą zbioru danych ImageNet, a dokładniej zbioru danych ImageNet 2012 do klasyfikacji obrazów.
Przedsiębiorstwa koncentrujące się na odpowiednim nauczaniu często wykorzystują tę metodę do pomiaru i porównywania wydajności obliczeniowej. Miara ta pojawiła się na niedawnym blogu NVIDIA, który porównywał wydajność różnych kadr Deep Learning. Więcej informacji na ten temat można znaleźć pod następującym adresem: https: //developer.nvidia.com/deep-learning-performance-training-inference
Deep Learning rozwija się szybko, a ta metoda nie jest kompletnym odzwierciedleniem wydajności Deep Learning. Niemniej jednak, jest ona użyteczna i istotna, ponieważ zapewnia nam równą normę porównywania wyników "obrazów na sekundę".
Muszę zauważyć, że Dr Kinghorn z Puget Systems, partnera PNY, napisał na ten temat już rok temu; jego blogi są przewodnikiem przydatnym dla początkujących i oferują również wskazówki przydatne dla zaawansowanych użytkowników. Jego wysiłki są godne polecenia. Prenez le temps de lire son blog original en 5 parties :
Wprowadzenie do NGC.
Drugim narzędziem do stworzenia benchmarku przepływu pracy jest NVIDIA GPU Cloud, czyli NGC.
NGC to darmowy rejestr kontenerów Docker, będący zbiorem najlepszych narzędzi do przyspieszania nauki o danych, uczenia maszynowego i analizy. Najpopularniejsze frameworki dostępne w NGC to TensorFlow, PyTorch, Caffe2 i wiele innych. Możesz zapoznać się z rejestrem NGC klikając na ten link: https: //ngc.nvidia.com/catalog, nie jest wymagana żadna rejestracja.
Co to jest conteneur? Według Docker.com :
"Kontener jest standardową jednostką logiczną, która grupuje kod i wszystkie jego komponenty, aby aplikacja mogła być wykonywana szybko i niezawodnie w jednym środowisku informatycznym na drugim. Obraz kontenera Docker to zespół logicznych, autonomicznych i wykonywalnych elementów, który zawiera wszystko, co jest niezbędne do wykonania aplikacji: kod, czas wykonania, system narzędzi, system biblioteczny i parametry ". https://www.docker.com/resources/what-container
Zgodnie z tą definicją, kontener jest kontrolowanym środowiskiem logicznym, w którym wszystkie logiki są skonfigurowane tak, aby działały razem. Korzystając z kontenera Docker, możesz mieć pewność, że środowisko logiczne jest spójne między testami i wolne od błędów między różnymi bibliotekami. Kontenery NGC mają tę dodatkową zaletę, że są zoptymalizowane, zweryfikowane i przyspieszone przez GPU NVIDIA, co pozwala na ich sprawne działanie z GPU NVIDIA.
Dlaczego chcesz używać systemu Linux? Obecnie NGC nie działa z systemem Linux.
Zanim zajmiemy się kwestiami technicznymi w następnym blogu, odwiedź rejestr NGC i zapoznaj się z gamą dostępnych kontenerów. Zachęcamy również do odwiedzenia strony poświęconej sztucznej inteligencji firmy PNY, gdzie można znaleźć więcej informacji na temat tego, jak procesory graficzne NVIDIA zmieniają świat.
