Bugün erken saatlerde MLPerf kuruluş en son makine öğrenimi (ML) çıkarım karşılaştırma sonuçlarını yayınladı. 2018'de piyasaya sürülen MLPerf, bir standartlaştırılmış makine öğrenimi karşılaştırması paketi tanımlama misyonuyla çalışan 23'ten fazla gönderen kuruluştan oluşan açık kaynaklı bir topluluktan oluşur. Grubun makine öğrenimi çıkarım testleri, farklı türdeki hızlandırıcıların ve sistemlerin eğitimli sinir ağlarını ne kadar hızlı ve verimli bir şekilde yürütebileceğini ölçmek için ortak ve üzerinde mutabık kalınan bir süreç sağlar.
Bu, Xilinx'in MLPerf'e doğrudan katıldığı ilk kez oldu. Sadece oyunda olmaktan memnuniyet duymakla birlikte, bir görüntü sınıflandırma kategorisinde liderlik sonucu elde ettiğimiz için heyecanlıyız. İle işbirliği yaptık Mipsoloji Satıcıların gerçek "elmadan elmaya" testi için önceden eğitilmiş ağlar ve önceden eğitilmiş ağırlıklar aldığı daha katı "kapalı" bölümdeki gönderilerimiz için.
Test sistemi bizim kullandığımız Alveo U250 Mipsology tarafından optimize edilmiş bir etki alanına özgü mimariye (DSA) dayalı hızlandırıcı kartı. Kıyaslama, Alveo tabanlı özel DSA'mızın, çevrimdışı modda 50 görüntü / saniye ile ResNet-5,011 kıyaslamasına dayalı olarak görüntü sınıflandırma görevlerini ne kadar verimli bir şekilde yürütebileceğini ölçer. ResNet-50, görüntü sınıflandırma performansını görüntü / saniye cinsinden ölçer.
En yüksek performans / zirve TOP / sn'ye (saniyede trilyonlarca işlem) ulaştık. Bu, temelde, donanımda X miktarda en yüksek bilgi işlem miktarı göz önüne alındığında, en yüksek iş hacmi performansını sağladığımız anlamına gelen bir performans verimliliği ölçüsüdür.
MLPerf sonuçları, yayınlanmış veri sayfası performansımıza kıyasla mevcut TOP / ların% 100'üne ulaştığımızı da gösterdi. Bu etkileyici sonuç, kağıt üzerindeki ham zirve TOP / s’ların her zaman gerçek dünya performansının en iyi göstergesi olmadığını gösterir. Cihaz mimarilerimiz, yapay zeka uygulamaları için daha yüksek verimlilikler (etkili TOP / lar'a karşı Tepe TOP / lar) sunar. Pazardaki çoğu satıcı, tepe TOPS'lerinin yalnızca bir kısmını sunabiliyor ve genellikle% 40 verimlilikle maksimize ediyor. Daha da önemlisi, makine öğrenimi uygulamaları yapay zeka işlemeden daha fazlasıdır. Genellikle sistem bant genişliği için rekabet eden ve sistem düzeyinde darboğaza neden olan makine öğrenimi öncesi ve sonrası işleme işlevlerini gerektirirler. Uyarlanabilir platformlarımızın gücü, bu kritik yapay zeka dışı işlevleri hızlandırarak ve sistem darboğazlarını önlemek için uygulama düzeyinde akış ardışık düzenleri oluşturarak tüm uygulama hızlandırmasına izin vermeleridir. Liderlik sonucumuz ayrıca, TensorFlow ve Pytorch çerçeve programlanabilirliğini korurken, kullanıcıların donanım uzmanlığına ihtiyaç duymadan elde edildi.
MLPerf, hızla makine öğrenimi performansını ölçmek için endüstrinin fiili standardı haline geliyor. Bu, MLPerf çıkarım kıyaslamasının (v2) 0.7. versiyonuydu ve 1200'den fazla hakemli sonucu çekti. Makine öğrenimi çıkarımı, görüntü sınıflandırma ve nesne algılama gibi bilgisayarla görme görevleri gerektiren otonom sürüş ve yapay zeka tabanlı video gözetimi gibi uygulamalar için hızla büyüyen bir pazardır. Bu karmaşık bilgi işlem iş yüklerinin verimli bir şekilde çalışması için farklı düzeylerde işleme, gecikme ve güç gerekir ve Xilinx ve uyarlanabilir bilgi işlem ürünlerimizin parlak bir şekilde parladığı yer burasıdır.
MLPerf karşılaştırma sonuçları, uyarlanabilir bilgi işlem cihazlarımızın yapay zeka uygulamaları için sunduğu yüksek verimli iş hacmi ve düşük gecikme performansının altını çiziyor. Bu ilk MLPerf sonuçları bizi heyecanlandırıyor ve bir sonraki sürüme katılmayı dört gözle bekliyoruz.
MLPerf Çıkarım karşılaştırma paketi ve sürüm v0.7 sonuçları hakkında daha fazla bilgi için lütfen şu adresi ziyaret edin: https://mlperf.org/press#mlperf-inference-v0.7-results.
