您正在使用IE低版浏览器,为了您的雷锋网账号安全和更好的产品体验,强烈建议使用更快更安全的浏览器
人工智能 正文
发私信给亚萌
发送

0

黄仁勋亲自撰文怼上 TPU:P40速度比你快 2 倍,带宽是你的 10 倍

本文作者:亚萌 2017-04-11 19:27
导语:英伟达 CEO 黄仁勋就亲自撰文回应了TPU性能的,文章第一段就以谷歌TPU开头,炮击意图十分明显,随后更是扔出了 Tesla P40 GPU 与 TPU 的

黄仁勋亲自撰文怼上 TPU:P40速度比你快 2 倍,带宽是你的 10 倍

雷锋网按:前不久谷歌发布了关于TPU细节的论文,称“TPU 处理速度比当前 GPU 和 CPU 要快 15 到 30 倍”。当时就有人对此种“比较”表示质疑,因其拿来的比较对象并非市场里性能最好的。

而昨晚(美国时间 4 月 10 日)英伟达 CEO 黄仁勋就亲自撰文回应了这一“比较”,文章第一段就以谷歌 TPU 开头,炮击意图十分明显,随后更是扔出了 Tesla P40 GPU 与 TPU 的性能对比图,可谓针尖对麦芒。

不过 P40 和 TPU 的售价差距很大(P40 24GB版本售价5千多美元,TPU 成本估计在几百美元),尺寸和制程也不一样,也有人觉得这样的对比未免也是不恰当的。但黄仁勋不惜亲自撰写长文,摆事实摆数据,意在表明英伟达在 AI 芯片领域的强势姿态和技术领先的骄傲。

当时TPU论文甫一发布,雷锋网(公众号:雷锋网)就论文中的比较对象问题咨询了AI人士意见,感兴趣的读者可戳《谷歌公布TPU细节之后,AI业界怎么看?》。以下为黄仁勋发表全文,原文标题为“AI 驱动数据中心加速计算的崛起”(AI Drives the Rise of Accelerated Computing in Data Centers),由雷锋网编译。

谷歌最近的TPU论文给出了一个十分明确的结论:如果没有高速计算能力,大规模AI实现根本不可能。

如今的世界经济运行在全球的数据中心之上,而数据中心也在急剧发生改变。不久之前,数据中心服务支撑网页、广告和视频。现在,它们能够从视频流里识别声音、检测图片,还能随时让我们获得想要的信息。

以上提到的各种能力,都在愈来愈依靠深度学习来支撑。深度学习是一种算法,从海量数据里学习形成软件,来处理诸多高难度挑战,包括翻译、癌症诊断、自动驾驶等等。这场由AI引发的变革,正在以一种前所未有的速度影响着各种行业。

深度学习的开拓者Geoffrey Hinton最近在接受《纽约客》采访时说道:“凡是任何一个有很多数据的分类问题,都可以用深度学习的方法来解决。深度学习有几千种应用。”

不可思议的效果

以谷歌为例。谷歌在深度学习里突破性的工作引发了全球关注:Google Now 语音交互系统令人吃惊的精确性、AlphaGo在围棋领域历史性的胜利、谷歌翻译应用于100种语言。

深度学习已经达到了不可思议的效果。但是深度学习的方法,要求计算机在摩尔定律放缓的时代背景下,精确处理海量数据。深度学习是一种全新的计算模型,它也需要一种全新计算架构的诞生。

一段时间以来,这种 AI 计算模型都是运行于英伟达芯片之上。2010 年,研究员 Dan Ciresan 当时在瑞士 Juergen Schmidhuber 教授的 AI 实验室工作,他发现英伟达 GPU 芯片可以被用来训练深度神经网络,比 CPU 的速度快 50 倍。一年之后,Schmidhuber 教授的实验室又使用 GPU 开发了世界上首个纯深度神经网络,一举赢得国际手写识别和计算机视觉比赛的冠军。接着,在 2012 年,多伦多大学的硕士生 Alex Krizhevsky 使用了两个 GPU,赢得了如今蜚声国际的 ImageNet 图像识别竞赛。(Schmidhuber教授曾经写过一篇文章,全面梳理了运行于GPU之上的深度学习对于当代计算机视觉的影响 http://people.idsia.ch/~juergen/computer-vision-contests-won-by-gpu-cnns.html)

深度学习优化

全球的 AI 研究员都发现了,英伟达为计算机图形和超级计算应用所设计的 GPU 加速计算模型,是深度学习的理想之选。深度学习应用,比如 3D 图形,医疗成像、分子动力学、量子化学和气象模拟等,都是一种线性代数算法,需要进行大规模并行张量或多维向量计算。诞生于 2009 年的英伟达 Kepler GPU 架构,虽然帮助唤醒了世界在深度学习中使用 GPU 加速计算,但其诞生之初并非为深度学习量身定制的。

所以,我们必须开发出新一代GPU架构,首先是 Maxwell,接着是 Pascal,这两种架构都对深度学习进行了特定的优化。在Kepler Tesla K80 之后四年,基于 Pascal 架构的 Tesla P40 推理加速器诞生了,它的推理性能是前者的 26 倍,远远超过了摩尔定律的预期。

在这一时期,谷歌也设计了一款定制化的加速器芯片,名为“张量处理单元”,即 TPU。具体针对数据推理,于 2015 年部署。

上周,谷歌团队发布了关于 TPU 优越性的一些信息,称 TPU 比 K80 的推理性能高出 13 倍。但是,谷歌并没有拿 TPU 与如今最新一代的 Pascal P40 做比较。

最新对比

我们创建了如下的图表,对 K80、TPU 和 P40 的性能进行量化,看看 TPU 与如今的英伟达技术之间的较量。

P40 在计算精度和吞吐量、片内存储和存储带宽之间达到了良好平衡,不仅在训练阶段,也在推理阶段达到了前所未有的性能表现。对于训练阶段,P40 拥有 10 倍于 TPU 的带宽,32 位浮点性能达到 12个 TFLOPS 。对于推理阶段,P40 具有高吞吐的 8 位整数和高存储带宽。

黄仁勋亲自撰文怼上 TPU:P40速度比你快 2 倍,带宽是你的 10 倍

数据基于谷歌 Jouppi 等人论文“In-Datacenter Performance Analysis of a Tensor Processing Unit”[Jou17],以及英伟达内部基准分析。K80 与 TPU 的性能比数据来源于论文[Jou17]里 CNN0 和 CNN1的加速性能比,其中比较的是性能减半的 K80。K80 与 P40 性能比基于 GoogLeNet 模型,这是一种可以公开使用的CNN 模型,具有相似的性能属性。

虽然谷歌和英伟达选择了不同的发展路径,我们有一些共同关切的主题。具体包括:

  • AI 需要加速计算。在摩尔定律变慢的时代背景下,加速器满足了深度学习海量数据处理需求

  • 张量处理处于深度学习训练和推理性能的核心位置

  • 张量处理是一个重要的新工作负载,企业在建立现代数据中心的时候,要考虑这一问题

  • 加速张量处理可以显著减少现代数据中心的建设成本

全球科技正处于一场被称为“AI 革命”的历史性转变中。如今这场革命影响最深刻的地方,就是阿里巴巴、亚马逊、百度、Facebook、谷歌、IBM、微软、腾讯等公司所拥有的的超大规模数据中心。这些数据中心,需要加速 AI 工作负载,不必花费数十亿美元用新的CPU节点来打造新的数据中心。如果没有加速计算,大规模 AI 实现根本不可能。

GPU加速计算为深度学习和现代AI 供能。大家可以在 5 月 8-11 日到加州圣何塞参加我们的 GPU Technology 大会。你将会听到 AI 开拓者们谈论他们突破性的发现,并且获悉 GPU 计算的最新进展是如何在变革一个又一个行业。

雷锋网版权文章,未经授权禁止转载。详情见转载须知

分享:
相关文章

文章点评:

表情

编辑

关注人工智能(AI)报道
当月热门文章
最新文章
为了您的账户安全,请验证邮箱
您的邮箱还未验证,完成可获20积分哟!
请验证您的邮箱
立即验证
完善账号信息
您的账号已经绑定,现在您可以设置密码以方便用邮箱登录
立即设置 以后再说
请填写申请人资料
姓名
电话
邮箱
微信号
作品链接
个人简介