Tensorflow Tesla® Instanzen Benchmark

Zusammenfassung der Ergebnisse des Testmodells für die Bildklassifizierung mit Tesla® LeaderGPU® Servern

LeaderGPU® ist ein neuer Akteur auf dem Markt für GPU-Computing und hat die Absicht, die Spielregeln zu ändern. Gegenwärtig gibt es auf dem Markt für GPU-Computing mehrere große Akteure wie Amazon AWS, Google Cloud, usw. Ein großer Akteur bedeutet jedoch nicht immer das beste Marktangebot. Im Vergleich zu Amazon AWS und Google Cloud bietet das LeaderGPU®-Projekt physische Server und keine VPS, bei denen die Hardware-Ressourcen von mehreren Dutzend Benutzern gemeinsam genutzt werden können.

Die Tests wurden auf den LeaderGPU® Tesla®-Rechnersystemen mit synthetischen Daten der folgenden Netzwerkmodelle durchgeführt: ResNet-50, ResNet-152, VGG16 und AlexNet. Am Ende dieses Artikels finden Sie die Ergebnisse von Tests, die mit anderen Modellen durchgeführt wurden. Die Tests der synthetischen Daten wurden mit tf.Variable analog zu den für ImageNet konfigurierten Modellen durchgeführt.

Die folgenden Befehle wurden verwendet, um den Test auszuführen:

git clone https://github.com/tensorflow/benchmarks.git

python3.5 benchmarks/scripts/tf_cnn_benchmarks/tf_cnn_benchmarks.py --num_gpus=2 --model alexnet (vgg11, vgg16, etc.) --batch_size 32 (64, 128, 256, 512)

LeaderGPU® Tesla®-Instanzen

Testumgebung: 2 x Tesla® P100 PCI (ltbv32), 2 x Tesla® V100 PCI (ltbv20), 2 x Tesla® V100 NVLink™ (ltbv46)

Instanztyp: 2 x Tesla® P100 PCI (ltbv32), 2 x Tesla® V100 PCI (ltbv20), 2 x Tesla® V100 NVLink (ltbv46)

GPUs: Nvidia® Tesla® Karten OS: CentOS 7 CUDA® / cuDNN: 9.0 / 7.0.5 TensorFlow™ 1.7 aus Repo Benchmark GitHub hash: 9165a70 Datum des Tests: 25.04.2018

Andere Ergebnisse

Testen synthetischer Daten (Bilder / s)

2x PCI Tesla® P100