|
Graphcore（擬未）正式發(fā)布其參與MLPerf測試的最新結果。本次提交中，Graphcore使用新發(fā)布的Bow系統分別在圖像分類(lèi)模型ResNet-50和自然語(yǔ)言處理模型BERT上實(shí)現了和上次提交相比高達31%和37%的性能提升。此外，Graphcore還新增了語(yǔ)音轉錄模型RNN-T的提交。 本次MLPerf提交中，首次有第三方使用了Graphcore的系統。百度飛槳使用Graphcore系統進(jìn)行了BERT的提交，并展現出和Graphcore的BERT提交幾乎一致的性能，證明了Graphcore的IPU所提供的性能可以有效地跨框架復現，以及IPU生態(tài)進(jìn)一步繁榮的潛力。 
Graphcore此次在封閉分區面向ResNet-50和BERT兩個(gè)模型提交了以3D WoW處理器Bow IPU為核心的Bow系統，包括Bow Pod16、Bow Pod64、Bow Pod128和Bow Pod256。和前代產(chǎn)品相比，Bow系統在提供更優(yōu)性能的同時(shí)價(jià)格保持不變，進(jìn)一步提升了Graphcore系統的性?xún)r(jià)比優(yōu)勢。結果顯示，與上次提交相比，ResNet-50的訓練時(shí)間提升高達31%，BERT的訓練時(shí)間提升高達37%。 在GPU占據優(yōu)勢的模型ResNet-50上，Bow Pod16僅耗時(shí)19.6分鐘，表現優(yōu)于NVIDIA的旗艦產(chǎn)品DGX-A100 640GB所需的28.7分鐘，再一次體現了Bow系統的性?xún)r(jià)比優(yōu)勢。
除此之外，Graphcore還提交了RNN-T在開(kāi)放分區中的結果。RNN-T是一種進(jìn)行高度準確的語(yǔ)音識別的精密方式，在移動(dòng)設備上被廣泛使用。在Bow Pod64上，RNN-T的訓練時(shí)間可以從原本的幾周縮短到幾天。 Graphcore中國工程副總裁、AI算法科學(xué)家金琛表示：“對于本次MLPerf取得的出色成績(jì)，我們感到非常自豪，這與Graphcore始終堅持創(chuàng )新密不可分。我們也非常高興能夠與百度飛槳聯(lián)合進(jìn)行提交，通過(guò)與百度飛槳的合作加速I(mǎi)PU生態(tài)系統的擴展，為產(chǎn)業(yè)賦能，推動(dòng)各領(lǐng)域產(chǎn)業(yè)AI化轉型和升級。未來(lái)，我們也將繼續創(chuàng )新，應對不斷增長(cháng)的AI計算挑戰，助力AI計算的演進(jìn)�！� 在本次MLPerf Training 2.0的提交中，百度飛槳使用Bow Pod16和Bow Pod64進(jìn)行了BERT在封閉分區的提交，結果與Graphcore使用PopART進(jìn)行提交的結果幾乎一致。這充分證明了Graphcore IPU性能的跨框架復現能力。這一能力的實(shí)現得益于Graphcore靈活的硬件系統、持續優(yōu)化的軟件、強大的本地支持和合作伙伴的支持。正如此次提交，百度將Graphcore的Poplar與飛槳軟件框架相結合，實(shí)現了出色的性能結果。 百度飛槳產(chǎn)品團隊負責人趙喬表示：“百度飛槳與Graphcore的合作，在本次MLPerf上獲得了十分優(yōu)秀的成果。Graphcore的IPU系統在合作中展現了出色的性能，在許多應用場(chǎng)景都展現出了巨大的應用潛力。我們期待進(jìn)一步加深與Graphcore在硬件生態(tài)共創(chuàng )計劃中的合作，以創(chuàng )新的技術(shù)加速AI產(chǎn)業(yè)落地，推動(dòng)AI產(chǎn)業(yè)變革�！� 百度飛槳已經(jīng)實(shí)現了對于IPU的全面支持。Graphcore是百度飛槳硬件生態(tài)圈的創(chuàng )始成員，并在2022年5月正式加入了百度飛槳發(fā)起的硬件生態(tài)共創(chuàng )計劃。未來(lái)，雙方還將進(jìn)一步展開(kāi)合作，為開(kāi)發(fā)者提供更多創(chuàng )新工具，推動(dòng)AI生態(tài)繁榮，從而賦能產(chǎn)業(yè)中AI的應用和AI的商業(yè)化。產(chǎn)業(yè)中AI的應用落地，也必將反哺AI的發(fā)展和AI生態(tài)的進(jìn)一步繁榮。 |
