지난 주 MLPerf는 MLPerf Training v0.6에 대한 결과를 발표했다.
MLPerf Training v0.6은 기계학습 교육벤치마크 제품군 의 두 번째 결과이다 . 벤치 마크는 AI 실무자가 AI 모델 을 학습하는데 사용되는 하드웨어의 성능 및 속도를 측정하기 위한 공통 표준을 채택하는 데 사용된다. 벤치 마크 결과에 따라 Nvidia와 Google Cloud는 새로운 AI 교육 시간 실적 레코드를 설정한다.
MLPerf v0.6은 이미지 분류, 객체 감지(경량), 객체 감지(중량), 변환(반복), 변환(비 반복) 및 보강학습 등 6 가지 카테고리에서 기계 학습 가속 하드웨어의 교육 성능을 연구한다.
MLPerf는 주요 대학 및 40 여개 회사와 연구원의 연합체이며 MLPerf 벤치마크 스위트는 기계 학습 성능 측정을 위한 업계 표준이다.
결과에 따르면 Nvidia의 Tesla V100 Tensor Core GPU는 Nvidia DGX SuperPOD를 사용하여 80 초 이내에 이미지 분류를 위한 ResNet-50 모델의 온 프레미스 교육을 완료했다. 또한 엔비디아는 여섯 가지 범주 모두에서 결과를 제출한 유일한 공급 업체로 밝혀졌다. Nvidia가 DGX-1 서버를 출시한 2017 년에는 모델 교육을 완료하는데 8시간이 걸렸다.
Google Cloud는 5 개의 카테고리를 입력했으며 클라우드 TPU v3 포드를 통해 대규모로 실적을 기록한 3가지 레코드를 설정했다. Google Cloud Platform (GCP)은 최신 MLPerf 벤치 마크 경쟁에서 3 가지 새로운 실적 기록을 세웠다. 3가지 기록 설정 결과는 컴퓨터 학습을 위해 특별히 제작 된 Google의 최신 슈퍼 컴퓨터인 Cloud TPU v3 포드에서 실행되었다 .
클라우드 TPU 포드의 속도는 더 좋았으며 2분 미만의 계산 시간으로 사용되었다. TPU v3 포드는 또한 51 초 이내에 Transformer 모델의 영어에서 독일어로 기계 번역의 기록적인 성능 결과를 보여주었다. Cloud TPU v3 포드는 MLPerf Closed Division의 가장 빠른 온 프레미스 시스템보다 84 % 빠른 모델을 교육한다.
TPU 포드는 ImageNet 데이터 세트가 있는 ResNet-50 모델의 이미지 분류 벤치 마크에서 1분12 초만에 다른 개체 탐지 범주의 모델 교육에서 기록적인 성능을 달성했다.
[저작권자ⓒ CWN(CHANGE WITH NEWS). 무단전재-재배포 금지]
