主页 > G地生活 >Nvidia 黄仁勋撰文反击 Google,P40 比 TPU 速度快 2 倍、 >

Nvidia 黄仁勋撰文反击 Google,P40 比 TPU 速度快 2 倍、

时间: 2020-06-08 浏览量:891

Nvidia 黄仁勋撰文反击 Google,P40 比 TPU 速度快 2 倍、

前不久 Google 释出关于 TPU 细节的论文,称「TPU 处理速度比目前 GPU 和 CPU 要快 15~30 倍」。当时就有人对此「比较」表示质疑,因其拿来的比较对象并非市场中效能最好的。

而美国时间 4 月 10 日,辉达(Nvidia) CEO 黄仁勋亲自撰文回应,文章第一段就以 Google TPU 开头,炮击意图十分明显,随后更扔出 Tesla P40 GPU 与 TPU 的效能对比图,可谓针锋相对。

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),大小和製程也不一样,也有人觉得这样的比较未免也不恰当。但黄仁勋不惜亲自撰写长文,摆事实摆资料,意在表明辉达在 AI 晶片领域的强势姿态和技术领先的骄傲。

当时 TPU 论文一发布,雷锋网就论文中的比较问题谘询 AI 人士意见,感兴趣的读者可看《Google 公布 TPU 细节后,AI 界怎幺看?》。

以下则为黄仁勋全文,原文标题为《AI 驱动资料中心加速计算的崛起》(AI Drives the Rise of Accelerated Computing in Data Centers)。

AI 驱动资料中心加速计算的崛起

Google 最近的 TPU 论文给了一个十分明确的结论:如果没有高速运算能力,大规模 AI 实现根本不可能。

如今的世界经济在全球资料中心上执行,而资料中心也在急剧改变。不久之前,资料中心服务支援网页、广告和影片。现在,它们能够从视讯流里辨识声音、侦测图片,还能随时让我们获得想要的资讯。

以上提到的各种能力,都愈来愈依靠深度学习。深度学习是一种演算法,从大量资料里学习形成软体,来处理诸多高难度挑战,包括翻译、癌症诊断、自动驾驶等。这场由 AI 引发的变革,正在以一种前所未有的速度影响各种产业。

深度学习的开拓者 Geoffrey Hinton 最近接受《纽约客》採访时说:「凡是任何一个有很多资料的分类问题,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 Google 为例。Google 在深度学习里突破性的工作引发全球关注:Google Now 语音互动系统令人吃惊的精确性、AlphaGo 在围棋领域历史性的胜利、Google 翻译应用于 100 种语言。

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

一段时间以来,这种 AI 计算模型都是在辉达晶片上执行。2010 年,研究员 Dan Ciresan 当时在瑞士 Juergen Schmidhuber 教授的 AI 实验室工作,他发现辉达 GPU 晶片可用来训练深度神经网路,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路,一举赢得国际手写辨识和电脑视觉比赛的冠军。接着 2012 年,多伦多大学的硕士生 Alex Krizhevsky 使用了两个 GPU,赢得如今蜚声国际的 ImageNet 影像辨识竞赛。(Schmidhuber 教授曾经写过一篇文章,全面梳理了于 GPU 上执行的深度学习对于当代电脑视觉的影响。 )

深度学习最佳化

全球 AI 研究员都发现了,辉达为电脑图形和超级计算应用设计的 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,都是一种线性代数演算法,需要进行大规模并列张量或多维向量计算。诞生于 2009 年的辉达 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订做。

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特定最佳化。在 Kepler Tesla K80 之后  4 年,基于 Pascal 架构的 Tesla P40 推理加速器诞生了,它的推理效能是前者的 26 倍,远远超过摩尔定律的预期。

在这时期,Google 也设计了一款自订化的加速器晶片,名为「张量处理单元」,即 TPU。具体针对资料推理,于 2015 年部署。

上週 Google 团队释出了关于 TPU 优越性的一些资讯,称 TPU 比 K80 的推理效能高出 13 倍。但是,Google并没有拿 TPU 与如今最新一代的 Pascal P40 比较。

最新对比

我们建立了如下图表,量化 K80、TPU 和 P40 的效能,看看 TPU 与如今辉达技术间的较量。

P40 在计算精度和吞吐量、片内储存和储存频宽间达到良好平衡,不仅在训练阶段,也在推理阶段达到前所未有的效能表现。对于训练阶段,P40 拥有 10 倍于 TPU 的频宽,32 位浮点效能达到 12个 TFLOPS 。至于推理阶段,P40 具高吞吐的 8 位整数和高储存频宽。Nvidia 黄仁勋撰文反击 Google,P40 比 TPU 速度快 2 倍、

资料基于 Google Jouppi 等人论文《In-Datacenter Performance Analysis of a Tensor Processing Unit》[Jou17],以及辉达内部基準分析。K80 与 TPU 的效能比资料来源于论文 [Jou17] 里 CNN0 和 CNN1 的加速效能比,其中比较的是效能减半的 K80。K80 与 P40 效能比基于 GoogleNet 模型,这是一种可以公开使用的 CNN 模型,具有相似的效能属性。

虽然 Google 和辉达选了不同的发展路径,我们有一些共同关切的主题。具体包括:

全球科技正处于一场称为「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、Google、IBM、微软、腾讯等公司所拥有的超大规模资料中心。这些资料中心,需要加速 AI 工作负载,不必花费数十亿美元用新的 CPU 节点来打造新的资料中心。如果没有加速计算,大规模 AI 实现根本不可能。

上一篇: 下一篇:
相关推荐
申博太阳城_申博667878|每天分享信息|综合新闻资讯|网站地图 申博网投代理 申博亚洲官方网站