TensorFlow的多平台基准测试

作者 | TensorFlow 团队

翻译 | 刘志勇

编辑 | Vincent，Emily

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

• Instance type: NVIDIA® DGX-1™

• GPU: 8x NVIDIA® Tesla® P100

• OS: Ubuntu 16.04 LTS with tests run via Docker

• CUDA / cuDNN: 8.0 / 5.1

• TensorFlow GitHub hash: b1e174e

• Benchmark GitHub hash: 9165a70

• Build Command:bazel build -c opt --copt=-march="haswell" --config=cuda //tensorflow/tools/pip_package:build_pip_package

• Disk: Local SSD

• DataSet: ImageNet

• Test Date: May 2017

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。

用于每个模型的配置如下表：

结果

训练合成数据

训练真实数据

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

训练真实数据

Google Compute Engine (NVIDIA® Tesla® K80) 详情

环境

• Instance type: n1-standard-32-k80x8

• GPU: 8x NVIDIA® Tesla® K80

• OS: Ubuntu 16.04 LTS

• CUDA / cuDNN: 8.0 / 5.1

• TensorFlow GitHub hash: b1e174e

• Benchmark GitHub hash: 9165a70

• Build Command:bazel build -c opt --copt=-march="haswell" --config=cuda //tensorflow/tools/pip_package:build_pip_package

• Disk: 1.7 TB Shared SSD persistent disk (800 MB/s)

• DataSet: ImageNet

• Test Date: May 2017

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。

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

训练真实数据

其他结果

训练合成数据

训练真实数据

Amazon EC2 (NVIDIA® Tesla® K80) 详情

环境

• Instance type: p2.8xlarge

• GPU: 8x NVIDIA® Tesla® K80

• OS: Ubuntu 16.04 LTS

• CUDA / cuDNN: 8.0 / 5.1

• TensorFlow GitHub hash: b1e174e

• Benchmark GitHub hash: 9165a70

• Build Command:bazel build -c opt --copt=-march="haswell" --config=cuda //tensorflow/tools/pip_package:build_pip_package

• Disk: 1TB Amazon EFS (burst 100 MiB/sec for 12 hours, continuous 50 MiB/sec)

• DataSet: ImageNet

• Test Date: May 2017

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。

用于每个模型的配置。

结果

训练合成数据

训练真实数据

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

训练真实数据

Amazon EC2 Distributed (NVIDIA® Tesla® K80) 详情

环境

• Instance type: p2.8xlarge

• GPU: 8x NVIDIA® Tesla® K80

• OS: Ubuntu 16.04 LTS

• CUDA / cuDNN: 8.0 / 5.1

• TensorFlow GitHub hash: b1e174e

• Benchmark GitHub hash: 9165a70

• Build Command:bazel build -c opt --copt=-march="haswell" --config=cuda //tensorflow/tools/pip_package:build_pip_package

• Disk: 1.0 TB EFS (burst 100 MB/sec for 12 hours, continuous 50 MB/sec)

• DataSet: ImageNet

• Test Date: May 2017

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。

用于每个模型的配置。

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：

• InceptionV3: 8 instances / 6 parameter servers

• ResNet-50: (batch size 32) 8 instances / 4 parameter servers

• ResNet-152: 8 instances / 4 parameter servers

结果

训练合成数据

其他结果

训练合成数据

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。

参考链接：

• [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/