|
今日，Graphcore（擬未）正式公布其參與MLPerf測試的最新結果。結果顯示，與首次提交的MLPerf訓練結果相比，對于ResNet-50模型，Graphcore通過軟件優化，在IPU-POD16上實現了24%的性能提升，在IPU-POD64上實現了41%的性能提升；對于自然語言處理（NLP）模型BERT來說，在IPU-POD16上實現了5%的性能提升，在IPU-POD64上實現了12%的性能提升。此次MLPerf測試結果證明了Graphcore的IPU系統越來越強大、高效，軟件日益成熟且更快、更易使用。 MLPerf還對比了市面上的Graphcore與NVIDIA的產品，通過在GPU占據優勢的模型ResNet-50上進行測試，結果表明Graphcore的IPU-POD16在計算機視覺模型ResNet-50方面的表現優于NVIDIA的DGX A100。在DGX A100上訓練ResNet-50需要29.1分鐘，而IPU-POD16僅耗時28.3分鐘，這是自Graphcore首次提交以來僅通過軟件實現的性能提升。其中，IPU-POD16對ResNet-50的軟件驅動性能提高了24%，在IPU-POD64上對ResNet-50的軟件驅動性能提升甚至更高，達到41%，對于Graphcore具有里程碑式的意義。 
Graphcore最近發布的IPU-POD128和IPU-POD256橫向擴展系統也得出了結果，與上一輪MLPerf訓練相比，Graphcore的IPU-POD16的BERT性能提高了5%，IPU-POD64的BERT性能提高了12%。 • 對于Graphcore較大的旗艦系統，在IPU-POD128上訓練ResNet-50的時間為5.67分鐘，在IPU-POD256上為3.79分鐘。 • 對于自然語言處理（NLP）模型BERT，Graphcore在開放和封閉類別分別提交了IPU-POD16、IPU-POD64和IPU-POD128的結果，在新的IPU-POD128上的訓練時間為5.78分鐘。 MLPerf的封閉分區嚴格要求提交者使用完全相同的模型實施和優化器方法，其中包括定義超參數狀態和訓練時期。開放分區旨在通過在模型實施中提供更大的靈活性來促進創新，同時確保達到與封閉分區完全相同的模型準確性和質量。通過在開放分區展示BERT訓練的結果，Graphcore能夠讓客戶了解產品在實際運行中的性能，從而讓他們更傾向于使用此類優化。
新模型在大規模系統上的巨大優勢 MLPerf及其組織機構MLCommons作為第三方驗證機構，在幫助客戶獨立評估人工智能計算系統的能力和不同公司提供的軟件棧的成熟度方面發揮著重要作用。當然，客戶繼續在生產中使用ResNet和BERT等模型的同時，也在探索創新的新模型，并期待Graphcore更大的旗艦系統實現大規模機器智能。例如，在Graphcore的旗艦產品IPU-POD256上，創新的計算機視覺EfficientNet-B4僅用1.8小時便可完成訓練，盡管這并非Graphcore本次向MLPerf提交的內容，但在實際應用中的確有更強的性能優勢。
此外，在絕對吞吐量性能以及擴展到更大的IPU-POD系統方面，Graphcore在MLPerf之外的一系列模型中也得到了一系列令人印象深刻的結果，包括用于自然語言處理的GPT類模型和用于計算機視覺的ViT（Transformer視覺模型）。
通過設計實現大規模高效 在本輪或任何一輪MLPerf原始數據中，每個制造商系統相關的主機處理器數量都十分驚人，一些參與者甚至指定要求每兩個人工智能處理器配有一個CPU。而Graphcore的主機處理器與IPU的比率始終是最低的。與其他產品不同，IPU僅使用主機服務器進行數據移動，無需主機服務器在運行時分派代碼。因此，IPU系統需要的主機服務器更少，從而實現了更靈活、更高效的橫向擴展系統。 對于BERT-Large這一類自然語言處理模型，IPU-POD64只需要一個雙CPU的主機服務器。ResNet-50需要更多的主機處理器來支持圖像預處理，因此Graphcore為每個IPU-POD64指定了四個雙核服務器。1比8的比例仍然低于其他所有MLPerf參與者。事實上，在本輪MLPerf 1.1訓練中，Graphcore為BERT提供了最快的單服務器訓練時間結果，為10.6分鐘。 Graphcore大中華區總裁兼全球首席營收官盧濤表示：“自2021年初首次提交MLPerf測試以來，Graphcore取得了巨大進步，這與Graphcore不懈創新的企業精神是分不開的。無論是設計系統、選擇架構之初，還是至少每三個月推出一次重大軟件更新，都是Graphcore創新精神的體現。同時，Graphcore不懈創新的熱情也感染和吸引了眾多軟硬件合作伙伴——從Hugging Face和PyTorch Lightning到VMware和Docker Hub，它們都積極支持Graphcore不斷創新，以助力AI開發者在易于使用的系統上獲得絕佳的人工智能計算性能。” |
