Recommended
More Related Content
What's hot
What's hot (20)
Similar to Deep Learning Lab MeetUp 学習編 AzureインフラとBatch AI
Similar to Deep Learning Lab MeetUp 学習編 AzureインフラとBatch AI (20)
Deep Learning Lab MeetUp 学習編 AzureインフラとBatch AI
- 6. 6
- 10. 並列化可能な領域 𝑝並列化できない領域 1 − 𝑝 𝑝 𝑛 1 − 𝑝
- 11. 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
- 12. 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 100% 99% 95% 90% 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
- 14. 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
- 15. 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
- 16. 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
- 17. 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
- 18. 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
- 19. 0 5 10 15 20 25 0 64 128 192 256 320 384 448 512 TFLOPS Number of Cores A9 H16r 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。
- 20. 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
- 22. 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)
- 23. NVIDIA GPU 製品のおおまかな一覧 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
- 24. トランジスタ数:21B 815 mm2 80 SM 5120 CUDAコア 640 Tensorコア HBM2 16 GB, 900 GB/s NVLink 300 GB/s TESLA V100 *full GV100 chip contains 84 SMs
- 25. 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 GPUピーク性能比較: P100 vs v100
- 26. VOLTA HPC 性能を大きく向上 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
- 27. VOLTA TENSORコア
- 28. TENSOR コア 混合精度行列計算ユニット 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)
- 29. VOLTA TENSOR コア 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 混合精度演算 16bit 16bit 32bit
- 30. CUBLAS: TENSORコアの実効性能 P100 FP32 vs. V100 Tensorコア 最大9倍の 性能向上
- 31. CUDNN: TENSOR コアの実効性能 P100 FP32 vs. V100 Tensorコア Convolution層 の性能比較
- 32. Resnet50, Imagenet, Batch:128 P100 FP32, V100 FP32 vs. V100 Tensorコア 0 100 200 300 400 500 600 Conv BN Relu Cupy_* Misc. 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
- 33. NVIDIA TENSORRT 3 CNN による画像分類 (推論) のパフォーマンス 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)
- 34. VOLTA ディープラーニング性能を大幅に向上 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
- 38. クラスターをすぐ展開 削除 オートスケール 低優先度仮想マシン 80 データサイエンス仮想マシン Docker 環境をすぐ 設定不要でマルチノード間の通信
- 42. 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
- 45. • 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
- 46. 推奨
- 50. 0 50 100 150 200 250 Azure Files Blob Fuse 実行時間[min]
- 51. 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
- 59. InfiniBand GPU GPUインスタンスは、Kepler(Tesla K80)から最新のVolta(Tesla V100)まで取り揃えています。 GPU搭載マシン 低優先度仮想マシン わずか数ステップ
- 61. ◼ 本書に記載した情報は、本書各項目に関する発行日現在の Microsoft の見解を表明するものですMicrosoftは絶えず変化する市場に対応しなければならないため、ここに記載した情報に対していかなる責務を負う ものではなく、提示された情報の信憑性については保証できません ◼ 本書は情報提供のみを目的としています Microsoft は、明示的または暗示的を問わず、本書にいかなる保証も与えるものではありません ◼ すべての当該著作権法を遵守することはお客様の責務ですMicrosoftの書面による明確な許可なく、本書の如何なる部分についても、転載や検索システムへの格納または挿入を行うことは、どのような形式または手 段（電子的、機械的、複写、レコーディング、その他）、および目的であっても禁じられていますこれらは著作権保護された権利を制限するものではありません ◼ Microsoftは、本書の内容を保護する特許、特許出願書、商標、著作権、またはその他の知的財産権を保有する場合がありますMicrosoftから書面によるライセンス契約が明確に供給される場合を除いて、本書の 提供はこれらの特許、商標、著作権、またはその他の知的財産へのライセンスを与えるものではありません © 2018 Microsoft Corporation. All rights reserved. Microsoft, Windows, その他本文中に登場した各製品名は、Microsoft Corporation の米国およびその他の国における登録商標または商標です その他、記載されている会社名および製品名は、一般に各社の商標です