Phenquestions
Erfaring er viktig for å utvikle ferdighetene som er nødvendige for å bruke dyp læring i nye spørsmål. En rask GPU betyr en rask gevinst i praktisk erfaring gjennom umiddelbar tilbakemelding. GPUer inneholder flere kjerner for å håndtere parallelle beregninger. De har også omfattende minnebåndbredde for å håndtere denne informasjonen enkelt.
 |
Med dette i bakhodet søker vi å svare på spørsmålet: “Hva er det beste grafikkortet for AI, maskinlæring og dyp læring?”Ved å gjennomgå flere grafikkort som for øyeblikket er tilgjengelige i 2021. Vurderte kort:
- AMD RX Vega 64
- NVIDIA Tesla V100
- Nvidia Quadro RTX 8000
- GeForce RTX 2080 Ti
- NVIDIA Titan RTX
Nedenfor er resultatene:
AMD RX Vega 64
Radeon RX Vega 64
Funksjoner
- Utgivelsesdato: 14. august 2017
- Vega Arkitektur
- PCI Express-grensesnitt
- Klokkehastighet: 1247 MHz
- Strømprosessorer: 4096
- VRAM: 8 GB
- Minne båndbredde: 484 GB / s
Anmeldelse
Hvis du ikke liker NVIDIA GPUer, eller hvis budsjettet ikke lar deg bruke opptil $ 500 på et grafikkort, har AMD et smart alternativ. AMDs RS Vega 64 er veldig vanskelig å ignorere, og har en anstendig mengde RAM, rask minnebåndbredde og mer enn nok strømprosessorer.
Vega-arkitekturen er en oppgradering fra de forrige RX-kortene. Når det gjelder ytelse, er denne modellen nær GeForce RTX 1080 Ti, da begge disse modellene har en lignende VRAM. Videre støtter Vega native half-precision (FP16). ROCm og TensorFlow fungerer, men programvaren er ikke så moden som i NVIDIA-grafikkort.
Alt i alt er Vega 64 en anstendig GPU for dyp læring og AI. Denne modellen koster godt under $ 500 USD og får jobben gjort for nybegynnere. For profesjonelle applikasjoner anbefaler vi imidlertid å velge et NVIDIA-kort.
AMD RX Vega 64 Detaljer: Amazon
NVIDIA Tesla V100
Tesla V100
Funksjoner:
- Utgivelsesdato: 7. desember 2017
- NVIDIA Volta-arkitektur
- PCI-E-grensesnitt
- 112 TFLOPS Tensorytelse
- 640 Tensorkerner
- 5120 NVIDIA CUDA®-kjerner
- VRAM: 16 GB
- Minnebåndbredde: 900 GB / s
- Beregn APIer: CUDA, DirectCompute, OpenCL ™, OpenACC®
Anmeldelse:
NVIDIA Tesla V100 er en behemoth og et av de beste grafikkortene for AI, maskinlæring og dyp læring. Dette kortet er fullt optimalisert og leveres pakket med alle godbitene man kan trenge for dette formålet.
Tesla V100 kommer i 16 GB og 32 GB minnekonfigurasjoner. Med rikelig med VRAM, AI-akselerasjon, høy minnebåndbredde og spesialiserte tensorkjerner for dyp læring, kan du være trygg på at hver treningsmodell vil gå jevnt - og på kortere tid. Spesielt kan Tesla V100 levere 125TFLOPS dyp læringsytelse for både trening og inferens [3], muliggjort av NVIDIAs Volta-arkitektur.
NVIDIA Tesla V100 Detaljer: Amazon, (1)
Nvidia Quadro RTX 8000
Nvidia Quadro Rtx 8000
Funksjoner:
- Utgivelsesdato: August 2018
- Turing Arkitektur
- 576 Tensorkerner
- CUDA kjerner: 4,608
- VRAM: 48 GB
- Minnebåndbredde: 672 GB / s
- 16.3 TFLOPS
- Systemgrensesnitt: PCI-Express
Anmeldelse:
Quadro RTX 8000 er spesielt utviklet for dyplæringsmatrise-aritmetikk og beregninger, og er et topp grafikkort. Siden dette kortet har stor VRAM-kapasitet (48 GB), anbefales denne modellen for å undersøke ekstra store beregningsmodeller. Når den brukes sammen med NVLink, kan kapasiteten økes til opptil 96 GB VRAM. Noe som er mye!
En kombinasjon av 72 RT og 576 Tensor-kjerner for forbedrede arbeidsflyter resulterer i over 130 TFLOPS ytelse. Sammenlignet med det dyreste grafikkortet på listen vår - Tesla V100 - tilbyr denne modellen potensielt 50 prosent mer minne og klarer fortsatt å koste mindre. Selv på installert minne har denne modellen eksepsjonell ytelse mens du arbeider med større batchstørrelser på en enkelt GPU.
Igjen, som Tesla V100, er denne modellen bare begrenset av pristaket. Når det er sagt, hvis du vil investere i fremtiden og i databehandling av høy kvalitet, få en RTX 8000. Hvem vet, du kan lede forskningen på AI. Tesla V100 er basert på Turing-arkitektur hvor V100 er basert på Volta-arkitektur, så Nvidia Quadro RTX 8000 kan betraktes som litt mer moderne og litt kraftigere enn V100.
Nvidia Quadro RTX 8000 Detaljer: Amazon
GeForce RTX 2080 Ti
Geforce RTX 2080 Founders Edition
Funksjoner:
- Utgivelsesdato: 20. september 2018
- Turing GPU-arkitektur og RTX-plattformen
- Klokkehastighet: 1350 MHz
- CUDA kjerner: 4352
- 11 GB neste generasjons, ultra raskt GDDR6-minne
- Minnebåndbredde: 616 GB / s
- Effekt: 260W
Anmeldelse:
GeForce RTX 2080 Ti er et budsjettalternativ som er ideelt for småskala modelleringsarbeidsbelastninger, snarere enn storskala treningsutvikling. Dette er fordi den har et mindre GPU-minne per kort (bare 11 GB). Denne modellens begrensninger blir tydeligere når man trener noen moderne NLP-modeller. Det betyr imidlertid ikke at dette kortet ikke kan konkurrere. Vifteutformingen på RTX 2080 muliggjør langt tettere systemkonfigurasjoner - opptil fire GPUer innenfor en enkelt arbeidsstasjon. I tillegg trener denne modellen nevrale nettverk med 80 prosent hastigheten til Tesla V100. I følge LambdaLabs 'benchmarks for dyp læringsytelse, sammenlignet med Tesla V100, er RTX 2080 73% hastigheten på FP2 og 55% hastigheten på FP16.
I mellomtiden koster denne modellen nesten 7 ganger mindre enn en Tesla V100. Fra både pris- og ytelsessynspunkt er GeForce RTX 2080 Ti en flott GPU for dyp læring og AI-utvikling.
GeForce RTX 2080 Ti Detaljer: Amazon
NVIDIA Titan RTX
NVIDIA Titan RTX-grafikk
Funksjoner:
- Utgivelsesdato: 18. desember 2018
- Drevet av NVIDIA Turing ™ -arkitektur designet for AI
- 576 Tensorkerner for AI-akselerasjon
- 130 teraFLOPS (TFLOPS) for dyp læringstrening
- CUDA kjerner: 4608
- VRAM: 24 GB
- Minnebåndbredde: 672 GB / s
- Anbefalt strømforsyning 650 watt
Anmeldelse:
NVIDIA Titan RTX er en annen mellomtone-GPU som brukes til komplekse dype læringsoperasjoner. Denne modellens 24 GB VRAM er nok til å fungere med de fleste batchstørrelser. Hvis du ønsker å trene større modeller, kan du imidlertid koble dette kortet med NVLink-broen for effektivt å ha 48 GB VRAM. Dette beløpet ville være nok selv for store transformator NLP-modeller. Videre tillater Titan RTX opplæring med full hastighet for blandet presisjon for modeller (i.e., FP 16 sammen med FP32-akkumulering). Som et resultat utfører denne modellen omtrent 15 til 20 prosent raskere i operasjoner der Tensor Cores benyttes.
En begrensning for NVIDIA Titan RTX er design med to vifter. Dette hindrer mer komplekse systemkonfigurasjoner fordi den ikke kan pakkes inn i en arbeidsstasjon uten vesentlige endringer i kjølemekanismen, noe som ikke anbefales.
Samlet sett er Titan en utmerket, allsidig GPU for omtrent enhver dyp læringsoppgave. Sammenlignet med andre grafikkort for generelle formål er det absolutt dyrt. Derfor anbefales ikke denne modellen for spillere. Likevel vil ekstra VRAM og ytelsesforbedring sannsynligvis bli verdsatt av forskere som bruker komplekse dyplæringsmodeller. Prisen på Titan RTX er betydningsfullt lavere enn V100 som er vist ovenfor og vil være et godt valg hvis budsjettet ikke tillater V100-priser for å gjøre dyp læring eller arbeidsmengden din ikke trenger mer enn Titan RTX (se interessante referanser)
NVIDIA Titan RTX Detaljer: Amazon
Velge det beste grafikkortet for AI, maskinlæring og dyp læring
AI, maskinlæring og dype læringsoppgaver behandler massevis av data. Disse oppgavene kan være veldig krevende for maskinvaren din. Nedenfor er funksjonene du må huske på før du kjøper en GPU.
Kjerner
Som en enkel tommelfingerregel, jo større antall kjerner, jo høyere blir ytelsen til systemet ditt. Antall kjerner bør også tas i betraktning, spesielt hvis du har å gjøre med en stor mengde data. NVIDIA har kalt kjernene sine CUDA, mens AMD kaller kjernene sine strømprosessorer. Velg det høyeste antallet prosessorkjerner som budsjettet ditt tillater.
Behandlingskraft
Prosessorkraften til en GPU avhenger av antall kjerner inne i systemet ganget med klokkehastighetene du kjører kjernene med. Jo høyere hastighet og jo høyere kjerner, jo høyere blir prosessorkraften som GPU-en din kan beregne data for. Dette bestemmer også hvor raskt systemet vil utføre en oppgave.
VRAM
Video RAM, eller VRAM, er en måling av datamengden systemet kan håndtere på en gang. Høyere VRAM er viktig hvis du jobber med forskjellige Computer Vision-modeller eller utfører noen CV Kaggle-konkurranser. VRAM er ikke like viktig for NLP, eller for å jobbe med andre kategoriske data.
Minne båndbredde
Minnebåndbredden er hastigheten som data leses eller lagres i minnet. Enkelt sagt er det hastigheten til VRAM. Målt i GB / s betyr mer minnebåndbredde at kortet kan tegne mer data på kortere tid, noe som gir raskere drift.
Kjøling
GPU-temperatur kan være en betydelig flaskehals når det gjelder ytelse. Moderne GPU-er øker hastigheten til maksimalt mens de kjører en algoritme. Men så snart en viss temperaturterskel er nådd, reduserer GPU prosesseringshastigheten for å beskytte mot overoppheting.
Viftevifteutformingen for luftkjølere skyver luft utenfor systemet mens ikke-blåserviftene suger inn luft. I arkitektur der flere GPUer er plassert ved siden av hverandre, vil ikke-blåservifter varme opp mer. Hvis du bruker luftkjøling i et oppsett med 3 til 4 GPUer, må du unngå ikke-blåsere.
Vannkjøling er et annet alternativ. Selv om det er dyrt, er denne metoden mye mer lydløs og sørger for at selv de mest krevende GPU-oppsettene forblir kule gjennom hele driften.
Konklusjon
For de fleste brukere som drar i dyb læring, vil RTX 2080 Ti eller Titan RTX gi deg mest penger. Den eneste ulempen med RTX 2080 Ti er en begrenset 11 GB VRAM-størrelse. Trening med større batchstørrelser gjør at modeller kan trene raskere og mye mer nøyaktig, noe som sparer mye av brukerens tid. Dette er bare mulig når du har Quadro GPUer eller en TITAN RTX. Ved å bruke halv presisjon (FP16) kan modeller passe inn i GPU-ene med utilstrekkelig VRAM-størrelse [2]. For mer avanserte brukere er Tesla V100 der du bør investere. Det er vårt beste valg for det beste grafikkortet for AI, maskinlæring og dyp læring. Det er alt for denne artikkelen. Vi håper du likte det. Til neste gang!
Referanser
- Beste GPUer for AI, maskinlæring og dyp læring i 2020
- Beste GPU for dyp læring i 2020
- NVIDIA AI INFERENSPLATFORM: Kjempesprang i ytelse og effektivitet for AI-tjenester, fra datasenteret til nettverkets kant
- NVIDIA V100 TENSOR CORE GPU
- Titan RTX Deep Learning Benchmarks
