دانشگاه استنفورد به تازگی نتایج آوریل DAWNBenchmark را به روز رسانی کرده است.
DAWNBench مجموعه ای از یادگیری پایان به عمق و استدلال مجموعه آموزش معیار است. این برنامه یک مجموعه مشترک از شاخص عمیق ارزیابی یادگیری، مورد استفاده برای تعیین کمیت زمان آموزش، هزینه های آموزش، تاخیر و هزینه استدلال استدلال، و از طریق استراتژی های بهینه سازی های مختلف معماری مدل، چارچوب نرم افزار، ابر و سخت افزار برای محاسبه هزینه های منطقی.
مدل RESNET اینتل (قاب کافه)، به عنوان مثال، به طور کامل توسط سیستم عامل پردازنده های Xeon EC2 آمازون ساخته شده، اولین استدلال تاخیر و استنتاج هزینه به دست آورد.
به طور خاص اینتل تاخیر پردازش پلت فرم از 10000 تصاویر 9.96ms است، هزینه های 0.02 $ جنبه هزینه، نزدیک ترین اینتل K80 است گرافیک NVIDIA 4 CPU چارچوب پلت فرم MXNet از 0.07 دلار آمریکا، 29.4ms تاخیر است.
تست، پردازنده های Xeon اینتل رقیب اصلی در محاسبات، یک گوگل TPU خود توسعه V2 (پردازنده تانسور)، دوم آرایه ای از GPU انویدیا (از جمله TESL V100) است.
البته، مجموع مدت زمان آموزش تشخیص الگو (دقت 93٪) بر اساس گوگل V2 TPU، ResNet50 قاب یادگیری مدل TensorFlow بالاترین در 30 دقیقه اول، 477 بار از نسل اول بهبود یافته است.
این تست ما می توانیم، سیستم عامل سخت افزار های مختلف درک معادل کاندیداها است، ما شروع به تماس در همان زمان مجموعه ای از آزمون پرسش و پاسخ، به نام Google کاندید اول تماس خواهد بود، اینتل جواب بالاترین سرعت و دقت اتاق معاینه است.
با توجه به اینکه اینتل به طور کامل پردازنده های گرافیکی را توسعه می دهد، یادگیری عمیق در برابر NVIDIA و گوگل بسیار سخت است.
