[关闭]
@sambodhi 2017-12-05T14:15:10.000000Z 字数 6708 阅读 3915

此处输入图片的描述

TensorFlow的多平台基准测试

作者|TensorFlow团队
编辑|Vincent

AI前线导语：为了选择图像分类模型，TensorFlow团队日前在多个平台上进行了基准测试[1]，为TensorFlow社区提供一个参考。本文中的“方法”一节，详细介绍了如何进行测试，并给出了所用脚本的链接。

更多干货内容请关注微信公众号“AI 前线”（ID：ai-front）

图像分类模型的结果

InceptionV3[2]、ResNet-50[3]、ResNet-152[4]、VGG16[5]和AlexNet[6]使用ImageNet[7]数据集进行测试。测试环境为Google Compute Engine、Elastic Compute Cloud (Amazon EC2)和NVIDIA® DGX-1™。大部分测试使用了合成数据和真实数据。使用合成数据进行测试是通过一个tf.Variable完成的，它被设置为与ImageNet的每个模型预期的数据相同的形状。我们认为，在基准测试平台中，包含真实数据的测量非常重要。这个负载测试底层硬件和框架，用来准备实际训练的数据。我们从合成数据开始，将磁盘I/O作为一个变量移除，并设置一个基线。然后，用真实数据来验证TensorFlow输入管道和底层磁盘I/O是否饱和的计算单元。

使用 NVIDIA® DGX-1™ (NVIDIA® Tesla® P100) 进行训练

详情和额外的结果请参阅“NVIDIA® DGX-1™ (NVIDIA® Tesla® P100)”一节。

使用 NVIDIA® Tesla® K80进行训练

详情和额外的结果请参阅“Google Compute Engine (NVIDIA® Tesla® K80)”一节和“Amazon EC2 (NVIDIA® Tesla® K80)”一节。

使用NVIDIA® Tesla® K80进行分布式训练

详情和额外的结果请参阅“Amazon EC2 Distributed (NVIDIA® Tesla® K80)”一节。

使用合成数据和真实数据进行训练的比较

NVIDIA® Tesla® P100

NVIDIA® Tesla® K80

NVIDIA® DGX-1™ (NVIDIA® Tesla® P100)详情

环境

每个模型所使用的批量大小及优化器，如下表所示。除下表所列的批量大小外，InceptionV3、ResNet-50、ResNet-152和VGG16使用批量大小为32进行测试。这些结果在“其他结果”一节中。

Options InceptionV3 ResNet-50 ResNet-152 AlexNet VGG16
Batch size per GPU 64 64 64 512 64
Optimizer sgd sgd sgd sgd sgd

用于每个模型的配置如下表：

Model variable_update local_parameter_device
InceptionV3 parameter_server cpu
ResNet50 parameter_server cpu
ResNet152 parameter_server cpu
AlexNet replicated (with NCCL) n/a
VGG16 replicated (with NCCL) n/a

结果

训练合成数据

GPUs InceptionV3 ResNet-50 ResNet-152 AlexNet VGG16
1 142 219 91.8 2987 154
2 284 422 181 5658 295
4 569 852 356 10509 584
8 1131 1734 716 17822 1081

训练真实数据

GPUs InceptionV3 ResNet-50 ResNet-152 AlexNet VGG16
1 142 218 91.4 2890 154
2 278 425 179 4448 284
4 551 853 359 7105 534
8 1079 1630 708 N/A 898

在上述图标和表格中，排除了在8个GPU上使用真实数据训练的AlexNet，因为它将输入管线最大化了。

其他结果

下面的结果，都是批量大小为32。

训练合成数据

GPUs InceptionV3 ResNet-50 ResNet-152 VGG16
1 128 195 82.7 144
2 259 368 160 281
4 520 768 317 549
8 995 1485 632 820

训练真实数据

GPUs InceptionV3 ResNet-50 ResNet-152 VGG16
1 130 193 82.4 144
2 257 369 159 253
4 507 760 317 457
8 966 1410 609 690

Google Compute Engine (NVIDIA® Tesla® K80)详情

环境

如下表所示，列出了每种模型使用的批量大小及优化器。除去表中所列的批量之外，Inception V3和ResNet-50的批量大小为32。这些结果在“其他结果”一节。

Options InceptionV3 ResNet-50 ResNet-152 AlexNet VGG16
Batch size per GPU 64 64 32 512 32
Optimizer sgd sgd sgd sgd sgd

用于每个模型的配置的variable_update、 parameter_server、local_parameter_device 和cpu，它们是相等的。

结果

训练合成数据

GPUs InceptionV3 ResNet-50 ResNet-152 AlexNet VGG16
1 30.5 51.9 20.0 656 35.4
2 57.8 99.0 38.2 1209 64.8
4 116 195 75.8 2328 120
8 227 387 148 4640 234

训练真实数据

GPUs InceptionV3 ResNet-50 ResNet-152 AlexNet VGG16
1 30.6 51.2 20.0 639 34.2
2 58.4 98.8 38.3 1136 62.9
4 115 194 75.4 2067 118
8 225 381 148 4056 230

其他结果

训练合成数据

GPUs InceptionV3 (batch size 32) ResNet-50 (batch size 32)
1 29.3 49.5
2 55.0 95.4
4 109 183
8 216 362

训练真实数据

GPUs InceptionV3 (batch size 32) ResNet-50 (batch size 32)
1 29.5 49.3
2 55.4 95.3
4 110 186
8 216 359

Amazon EC2 (NVIDIA® Tesla® K80)详情

环境

下标列出了每种模型所使用的批量大小和优化器。除去表中所列的批量大小外，InceptionV3和ResNet-50的批量大小为32。这些结果都在“其他结果”一节中。

Options InceptionV3 ResNet-50 ResNet-152 AlexNet VGG16
Batch size per GPU 64 64 32 512 32
Optimizer sgd sgd sgd sgd sgd

用于每个模型的配置。

Model variable_update local_parameter_device
InceptionV3 parameter_server cpu
ResNet-50 replicated (without NCCL) gpu
ResNet-152 replicated (without NCCL) gpu
AlexNet parameter_server gpu
VGG16 parameter_server gpu

结果

训练合成数据

GPUs InceptionV3 ResNet-50 ResNet-152 AlexNet VGG16
1 30.8 51.5 19.7 684 36.3
2 58.7 98.0 37.6 1244 69.4
4 117 195 74.9 2479 141
8 230 384 149 4853 260

训练真实数据

GPUs InceptionV3 ResNet-50 ResNet-152 AlexNet VGG16
1 30.5 51.3 19.7 674 36.3
2 59.0 94.9 38.2 1227 67.5
4 118 188 75.2 2201 136
8 228 373 149 N/A 242

由于我们的EFS设置未能提供足够的吞吐量，因此在上述图标和表格中，排除了在8个GPU上使用真实数据来训练AlexNet。

其他结果

训练合成数据

GPUs InceptionV3 (batch size 32) ResNet-50 (batch size 32)
1 29.9 49.0
2 57.5 94.1
4 114 184
8 216 355

训练真实数据

GPUs InceptionV3 (batch size 32) ResNet-50 (batch size 32)
1 30.0 49.1
2 57.5 95.1
4 113 185
8 212 353

Amazon EC2 Distributed (NVIDIA® Tesla® K80)详情

环境

下表列出了用于测试的批量大小和优化器。除去表中所列的批量大小之外，InceptionV3和ResNet-50的批量大小为32。这些结果包含在“其他结果”一节。

Options InceptionV3 ResNet-50 ResNet-152
Batch size per GPU 64 64 32
Optimizer sgd sgd sgd

用于每个模型的配置。

Model variable_update local_parameter_device cross_replica_sync
InceptionV3 distributed_replicated n/a True
ResNet-50 distributed_replicated n/a True
ResNet-152 distributed_replicated n/a True

为简化服务器设置，运行工作服务器的EC2实例（p2.8xlarge）也运行着参数服务器。使用相同数量的参数服务器和工作服务器，不同之处在于：

结果

训练合成数据

GPUs InceptionV3 ResNet-50 ResNet-152
1 29.7 52.4 19.4
8 229 378 146
16 459 751 291
32 902 1388 565
64 1783 2744 981

其他结果

训练合成数据

GPUs InceptionV3 (batch size 32) ResNet-50 (batch size 32)
1 29.2 48.4
8 219 333
16 427 667
32 820 1180
64 1608 2315

方法

这个脚本[8]运行在不同的平台上，产生上述结果。高性能模型[9]详细介绍了脚本中的技巧及如何执行脚本的示例。

为了尽可能达到重复的结果，每个测试运行五次，然后平均一下时间。GPU在给定平台上，以缺省状态运行。对于NVIDIA®Tesla®K80，这意味着要离开GPU Boost[10]。每次测试，都要完成10个预热步骤，然后对接下来的100个步骤进行平均。

[1] Benchmarks:
https://www.tensorflow.org/performance/benchmarks ↩
[2] Rethinking the Inception Architecture for Computer Vision:
https://arxiv.org/abs/1512.00567 ↩
[3] Deep Residual Learning for Image Recognition:
https://arxiv.org/abs/1512.03385 ↩
[4] Deep Residual Learning for Image Recognition:
https://arxiv.org/abs/1512.03385 ↩
[5] Very Deep Convolutional Networks for Large-Scale Image Recognition:
https://arxiv.org/abs/1409.1556 ↩
[6] ImageNet Classification with Deep Convolutional Neural Networks:
http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf ↩
[7] ImageNet:
http://www.image-net.org/ ↩
[8] tf_cnn_benchmarks: High performance benchmarks:
https://github.com/tensorflow/benchmarks/tree/master/scripts/tf_cnn_benchmarks ↩
[9] High-Performance Models:
https://www.tensorflow.org/performance/benchmarks ↩
[10] Increase Performance with GPU Boost and K80 Autoboost:
https://devblogs.nvidia.com/parallelforall/increase-performance-gpu-boost-k80-autoboost/ ↩
添加新批注
在作者公开此批注前，只有你和作者可见。
回复批注