Benchmark des instances Tesla® de Tensorflow

Résumé des résultats du modèle de test pour la classification des images avec les serveurs Tesla® LeaderGPU®.

LeaderGPU® est un nouvel acteur sur le marché du calcul par le GPU, et il a l'intention de changer les règles du jeu. À l'heure actuelle, le marché du calcul par le GPU comprend plusieurs grands acteurs tels qu'Amazon AWS, Google Cloud, etc. Cependant, un grand acteur n'est pas toujours synonyme de la meilleure offre du marché. Le projet LeaderGPU®, par rapport à Amazon AWS et Google Cloud, fournit des serveurs physiques, et non des VPS, où les ressources matérielles peuvent être partagées entre plusieurs dizaines d'utilisateurs.

Des tests ont été effectués sur les systèmes informatiques LeaderGPU® Tesla® sur des données synthétiques des modèles de réseaux suivants : ResNet-50, ResNet-152, VGG16 et AlexNet. À la fin de cet article, vous trouverez les résultats des tests effectués sur d'autres modèles. Les tests sur les données synthétiques ont été réalisés à l'aide de tf.Variable par analogie avec les modèles configurés pour ImageNet.

Les commandes suivantes ont été utilisées pour effectuer le test :

git clone https://github.com/tensorflow/benchmarks.git

python3.5 benchmarks/scripts/tf_cnn_benchmarks/tf_cnn_benchmarks.py --num_gpus=2 --model alexnet (vgg11, vgg16, etc.) --batch_size 32 (64, 128, 256, 512)

Instances LeaderGPU® Tesla

Environnement de test : 2 x Tesla® P100 PCI (ltbv32), 2 x Tesla® V100 PCI (ltbv20), 2 x Tesla® V100 NVLink™ (ltbv46).

Type d'instance : 2 x Tesla® P100 PCI (ltbv32), 2 x Tesla® V100 PCI (ltbv20), 2 x Tesla® V100 NVLink (ltbv46)

GPU : Cartes Nvidia® Tesla® OS : CentOS 7 CUDA® / cuDNN : 9.0 / 7.0.5 TensorFlow™ 1.7 from repo Benchmark GitHub hash : 9165a70 Date du test : 25.04.2018

Autres résultats

Test des données synthétiques (images / s)

2x PCI Tesla® P100