機械学習 / Deep Learning 大全 (4) GPU編
•Download as PPTX, PDF•
4 likes•2,623 views
Deep Learningの学習ではGPU利用が必須といえます。機械学習の中でも、IoTと一緒に活用される時系列処理と、Web/Mobileアプリでは必須のリコメンデーション エンジンの構築についての技術的基礎部分を中心にまとめています。
More Related Content
What's hot
What's hot (20)
Similar to 機械学習 / Deep Learning 大全 (4) GPU編
Similar to 機械学習 / Deep Learning 大全 (4) GPU編 (20)
More from Daiyu Hatakeyama
More from Daiyu Hatakeyama (20)
Recently uploaded
Recently uploaded (8)
機械学習 / Deep Learning 大全 (4) GPU編
- 3. DNN Processing Units 効率性柔軟性 Soft DPU (FPGA) Contro l Unit (CU) Registers Arithmeti c Logic Unit (ALU) CPUs GPUs ASICsHard DPU Cerebras Google TPU Graphcore Groq Intel Nervana Movidius Wave Computing Etc. BrainWave Baidu SDA Deephi Tech ESE Teradeep Etc.
- 5. 0 1 2 784 x 100 + 100 x 10 = 785000本 9 60000個の 教師あり学習データ 785000 x 60000 = 47100000000回の足し算をします ４７１億回
- 8. 14 days 1 hour 31 mins 15 mins Before 2017 Apr Sept Nov ResNet-50 NVIDIA M40 GPU ResNet-50 32 CPU 256 Nvidia P100 GPUs ResNet-50 1,600 CPUs ResNet-50 1,024 P100 GPUs Facebook UC Berkeley, TACC, UC Davis Preferred Network ChainerMN 1018 single precision operations 2017
- 9. NCシリーズ NVシリーズ NCv2シリーズ NDシリーズ NCv3シリーズ 用途 HPC & DL 可視化 HPC & DL DL HPC & DL GPU Tesla K80 (1～4GPU) Tesla M60 (1～4GPU) Tesla P100 (1～4GPU) Tesla P40 (1～4GPU) Tesla V100 (1～4GPU) GPU Xeon E5-2690 v3 (1～24コア) Xeon E5-2690 v3 (1～24コア) Xeon E5-2690 v4 (1～24コア) Xeon E5-2690 v4 (1～24コア) Xeon E5-2690 v4 (1～24コア) メモリ 56～224GB 56～224GB 112GB～448GB 112GB～448GB 112GB～448GB ローカル SSD ～1.4TB ～1.4TB ～1.344TB ～1.344TB ～1.344TB InfiniBand FDR InfiniBand N/A FDR InfiniBand FDR InfiniBand FDR InfiniBand
- 11. Kepler (2012) Maxwell (2014) Pascal (2016) Volta (2017) GeForceゲーミング Quadro プロフェッショナル グラフィックス M40 M6000K6000 GTX 980 GTX 780 HPC 用 GRID 用 K80 DL 用 M60 GP100P5000 K2 K1 GTX 1080 TITAN X V100データセンタ & クラウド Tesla P40 P100 P6 TITAN V Fermi (2010) M2070 6000 GTX 580 P4 GV100 M6 M10 NC NCv2 NCv3ND NV
- 12. *full GV100 chip contains 84 SMs
- 13. P100 V100 性能UP トレーニング性能 10 TOPS 125 TOPS 12x インファレンス性 能 21 TFLOPS 125 TOPS 6x FP64/FP32 5/10 TFLOPS 7.8/15.6 TFLOPS 1.5x HBM2 バンド幅 720 GB/s 900 GB/s 1.2x NVLink バンド幅 160 GB/s 300 GB/s 1.9x L2 キャッシュ 4 MB 6 MB 1.5x L1 キャッシュ 1.3 MB 10 MB 7.7x
- 14. P100に対する相対性能 HPC アプリケーション性能 System Config Info: 2X Xeon E5-2690 v4, 2.6GHz, w/ 1X Tesla P100 or V100. V100 measured on pre-production hardware. Summit Supercom 200+ PetaFlops ~3,400 Nodes 10 Megawatts
- 16. D = AB + C D = FP16 or FP32 FP16 FP16 FP16 or FP32 A0,0 A0,1 A0,2 A0,3 A1,0 A1,1 A1,2 A1,3 A2,0 A2,1 A2,2 A2,3 A3,0 A3,1 A3,2 A3,3 B0,0 B0,1 B0,2 B0,3 B1,0 B1,1 B1,2 B1,3 B2,0 B2,1 B2,2 B2,3 B3,0 B3,1 B3,2 B3,3 C0,0 C0,1 C0,2 C0,3 C1,0 C1,1 C1,2 C1,3 C2,0 C2,1 C2,2 C2,3 C3,0 C3,1 C3,2 C3,3 4x4 の行列の積和演算を1サイクルで計算する性能 (128演算/サイクル) 行列のFMA (Fused Multiply-Add)
- 17. Volta Tensor Core P100 V100 FP16/Tensorコア 20 TFLOPS 125 TFLOPS FP32 10 TFLOPS 15.6 TFLOPS FP16 FP16 + FP32 FP32 FP16 FP32 16bit 16bit 32bit
- 18. 最大9倍の 性能向上
- 20. 0 100 200 300 400 500 600 Series1 Series2 Series3 Series4 Series5 570 ms 360 ms 197 ms Time per iteration [ms] 約3倍 P100 FP32 V100 FP32 V100 Tensorコア (*) Chainer 3.0.0rc1+ と CuPy 2.0.0rc1+ を使用
- 21. CNN - IMAGES 0 1,000 2,000 3,000 4,000 5,000 6,000 画像/秒(レイテンシ目標:7ms) ResNet-50 のスループット 17ms CPU + Caffe P100 + TensorRT P4 + TensorRT CPU throughput based on measured inference throughput performance on Broadwell-based Xeon E2690v4 CPU, and doubled to reflect Intel’s stated claim that Xeon Scalable Processor will deliver 2x the performance of Broadwell-based Xeon CPUs on Deep Learning Inference. V100 + TensorRT 0 1,000 2,000 3,000 4,000 5,000 6,000 7,000 8,000 9,000 GoogLeNet のスループット 8ms CPU + Caffe P100 + TensorRT P4 + TensorRT V100 + TensorRT 7ms 7ms CNN - IMAGES 画像/秒(レイテンシ目標:7ms)
- 22. P100 V100 P100 V100 ImagesperSecond ImagesperSecond 2.4x faster 3.7x faster FP32 Tensorコア FP16 Tensorコア トレーニング インファレンス TensorRT - 7ms Latency (*) DLモデルはResNet50
- 26. • Local tools • Local Debug • Faster experimentation Single VM Development • Larger VMs • GPU Scale Up • Multi Node • Remote Spark • Batch Nodes • VM Scale Sets Scale Out
- 28. DSVM (Dev/Test Workstation) Azure File Store Azure Batch AI Cluster Batch AI Run Script Store Py Scripts in File Store Create Py Scripts Trained AI Model
- 29. Trained AI Model score.py { JSON }schema.json conda_dependencies .yml Azure Machine Learning Model Management Run Time Model Registry Image Registry Manifest for Image Generation Single Machines (e.g.. DSVM, IoT Devices, local PC) Azure Container Service (AKS) – Kubernetes clusters 4 1 2 3
- 31. 並列化可能な領域 𝑝並列化できない領域 1 − 𝑝 𝑝 𝑛 1 − 𝑝
- 32. 並列化可能な領域 𝑝並列化できない領域 1 − 𝑝 𝑝 𝑛 1 − 𝑝 並列化できない領 域 依存関係があり並列化できない処理、 ファイルI/O、ノード間通信、GPU-CPU間 のデータ転送、並列化のためのオーバー ヘッドなど 並列化可能な領域 依存関係がなく並列化可能な処理など
- 33. 0 20 40 60 80 100 120 140 0 16 32 48 64 80 96 112 128 スピードアップ 並列数 Series1 Series2 Series3 Series4 並列化率を少しでも向上させることが、 スケーラビリティの向上につながる
- 35. メリット • 待機時間の短縮/1秒当たりのパケット数の向上 • ジッターの削減 • CPU使用率の削減
- 36. 0 100 200 300 400 500 600 700 800 900 1000 1 10 100 1000 10000 Latency[μsec] Size [bytes] SR-IOV non SR-IOV 0 500 1000 1500 2000 2500 1 100 10000 1000000 100000000 1E+10 Bandwidth[Mbytes/sec] Size [bytes] SR-IOV non SR-IOV
- 37. 1 10 100 1000 1 10 100 1000 10000 Latency[μsec] Size [bytes] SR-IOV (DS5_v2) non SR-IOV (DS5_v2) InfiniBand FDR (H16r) 0 1000 2000 3000 4000 5000 6000 7000 1 100 10000 1000000 100000000 1E+10 Bandwidth[Mbytes/sec] Size [bytes] SR-IOV (DS5_v2) non SR-IOV (DS5_v2) InfiniBand FDR (H16r) InfiniBand RDMA
- 38. スペック H16r H16mr H8 H8m H16 H16m コア数 16 16 8 8 16 16 CPU Xeon E5-2667 v3 3.2 GHz - Haswell メモリ DDR 4 112 GB DDR 4 224 GB DDR 4 56 GB DDR 4 112 GB DDR 4 112 GB DDR 4 224 GB 標準データ ディスク 2.0 TB SSD 2.0 TB SSD 1.0 TB SSD 1.0 TB SSD 2.0 TB SSD 2.0 TB SSD フロント ネットワー ク 40G bps Ethernet バックエン ドネット ワーク FDR InfiniBand with RDMA N/A
- 39. Azure がベストパフォーマンスを記録 InfiniBandにより、複数ノード実行時の性能劣化を抑制Comparative benchmarking of cloud computing vendors with High Performance Linpack Mohammad Mohammadi, Timur Bazhirov, Exabyte Inc. https://arxiv.org/pdf/1702.02968.pdf Azure A9, H16がトップライン Azure H16がトップライン
- 40. 0 5 10 15 20 25 0 64 128 192 256 320 384 448 512 TFLOPS Number of Cores Seri es1 H16r (東日本リージョン) A9 (東日本リージョン) CPU Intel Xeon E5-2667 v3 Intel Xeon E5-2670 クロック周波数 3.2GHz 2.6GHz ソケット当たりのコア数 8コア 8コア ノード当たりのソケット数(コア 数) 2ソケット(16コア) 2ソケット(16コア) ノード当たりの主記憶容量 112GB 112GB OS SLES 12 SP1 for HPC MPI Intel MPI 2017 update2 Build 20170125 HPL Intel® Optimized MP LINPACK Benchmark for Cluster Intel Parallel Studio Cluster Edition 2017 update2のMKLに含まれるmp_linpack(static)を使 用 低レイテンシ・高バンド幅のインターコネクトを搭載したHPC向けイン スタンスH16r(4x FDR)およびA9(4x QDR)でHPLを実行した結果、512 並列(32ノード)でピーク性能比95%以上(H16r)を達成。
- 41. NC24r NC24rs_v2 CPU Intel Xeon E5-2690 v3 Intel Xeon E5-2690 v4 クロック周波数 2.6GHz 2.6GHz ソケット当たりのコア数 12コア 12コア ノード当たりのソケット数 (コア数) 2ソケット(24コア) 2ソケット(24コア) ノード当たりの主記憶容量 224GB 224GB OS Ubuntu 16.04 Ubuntu 16.04 MPI Intel MPI 5.1.3.223 Intel MPI 5.1.3.223 0 2000 4000 6000 8000 10000 12000 0 50 100 150 Speedup(times,linear) # of GPUs K80 vs P100 – Scale-out Comparison NC24r (K80) NC24rs_v2 (P100)
- 48. 注意点 • Batch AIのクオータは、仮 想マシンやAzure Batchとは 異なります • 仮想マシンのクオータを 持っていても、Batch AIで は別途クオータの申請が必 要です
- 51. • リソースグループは Azureのリソース管 理で一番大きなくく り • 通常ライフサイクル が同じものをまとめ る • ワークスペースは Batch AIの各リソー スの管理単位 • プロジェクトやチー ム単位で１つ作るの がおすすめ • Experimentはジョブ 管理の単位 • 同じモデルの計算 や、パラメータご と、日付などで分け る
- 52. 推奨
- 57. Dockerコンテナー OSイメージ 利点 カスタマイズが容易 すでにあるものを利用できる DSVMならばMSが提供 ダウンロード時間がかからない 欠点 イメージのダウンロード時間がかかる 作成がやや手間がかかる
Editor's Notes
- 24
- 26