|
來源：英特爾 知IN 目前大多數的機器學習是在處理器上完成的，大多數機器學習軟件會針對GPU進行更多的優化，甚至有人認為學習加速必須在GPU上才能完成，但事實上無論是運行機器學習的處理器還是優化的深度學習框架，都不單只針對GPU，代號為“Skylake”的英特爾至強SP處理器就證明了這一點。 機器學習軟件在英特爾至強SP系列白金版上的一系列基準測試性能表現與在GPU上非常相近，了解了底層架構之后，我們可以看到，在性能如此接近的情況下，使用GPU加速器更像是在購買一種“奢侈品”，用戶在GPU以外還有很多其他的選擇。毫無疑問，在用戶只需要機器學習的情況下，“加速器”在性能和能耗方面更有優勢，大多數人需要的不只是一臺“智能的用于機器學習的服務器”，那就讓我們來重點看一下英特爾至強SP 白金級處理器為什么是最佳的選擇： CPU優化深度學習框架和函數庫 英特爾在基于GPU優化的框架中增加了CPU優化深度學習框架， 打破了深度學習框架偏重于GPU而忽視了CPU的行業現狀，解決了目前這些框架缺乏CPU優化的實際問題。 - TensorFlow由谷歌開發，是一個領先的深度學習和機器學習框架，有面向Linux的處理器優化 - Caffe是圖片識別領域最受歡迎的應用之一，英特爾提供的優化可以在CPU運行時提高Caffe的性能 - Torch是當下流行的深度學習框架，需要在優化的CPU上應用，可以通過英特爾軟件優化（比如英特爾至強可擴展處理器）提高Torch在CPU上的性能 - Theano是一個開源的Python庫，很受機器學習程序員的歡迎，它可以幫助程序員高效地定義、優化和評估涉及多維陣列的數學表達式 - Neon是一個基于Python的深度學習框架，目的是在現代深度神經網絡上實現易用性和可擴展性，并致力于在所有硬件上實現性能的最大化 - MXNet是一個開源的深度學習框架 - Python及其函數庫是機器學習應用里最受歡迎的基礎組成，Python加速版過去幾年里得到了廣泛應用，并且可以直接下載或通過Conda、yum、apt-get或Docker images下載 - BigDL是一個面向Apache Spark的分布式深度學習函數庫。通過BigDL用戶可以把自己的深度學習應用當作標準Apache Spark程序來編寫，直接在現有Apache Spark或Hadoop集群上運行。在Torch基礎上開發的BigDL可以為深度學習提供綜合性支持：包括數值計算（通過Tensor）和高級神經網絡；此外用戶還可以利用BigDL把提前訓練的Caffe或Torch模型載入Spark程序。英特爾曾聲稱在一個單節點至強處理器上（例如與GPU相比），BigDL中的處理速度比原始開源Caffe、Torch或TensorFlow要高一個數量級 - 英特爾MKL-DNN是一個開源的、性能強化的函數庫，用于加速在CPU上的深度學習框架 - 英特爾數據分析加速庫（DAAL）是一個包含了被優化的算法構建模塊的開源函數庫，針對大數據問題最相關的數據分析階段。這個函數庫適用于當下流行的數據平臺，包括Hadoop、Spark、R和Matlab 結果證明了一切，無論是TensorFlow、Caffe，還是Torch、Theano，這些深度學習框架都針對英特爾數學核心函數庫（Intel MKL）和英特爾高級矢量擴展指令集（Intel AVX）進行了優化。通過CPU優化，TensorFlow和Caffe基準測試中的CPU性能分別提高了72倍和82倍。 機器學習加速器 科技與行業的發展都是瞬息萬變的，機器學習的加速器也會從GPU轉向FPGA、ASIC等等，除非我們永遠只需要一臺只能用于機器學習的服務器，只要在一臺服務器上想實現可以支持各種的工作負載，英特爾至強可擴展處理器無疑是最佳的解決方案。加速器的選擇正在變得多元化，這是整個行業的發展趨勢，多核CPU（英特爾至強融核處理器，特別是“Knights Mill”版）和FPGA（英特爾至強處理器，包含Intel/Altera FPGA）都可以提供更靈活的選擇、卓越的性價比和高能效。基于英特爾至強融核處理器訓練或學習一個AlexNet圖片分類系統的速度，是使用NVIDIA GPU的類似配置系統的2.3倍；英特爾至強融核處理器的性價比最高可以是GPU解決方案的9倍，每瓦性能高達8倍，英特爾Nervana將推出更多專為人工智能開發的產品。英特爾至強SP系列處理器為機器學習提供了卓越的性能，同時相比其他解決方案也為我們帶來了更多的功能與選擇，讓我們在產品與行業的發展中都可以擁有更多可能。 |
