|
Graphcore（擬未）正式發(fā)布其參與MLPerf測試的最新結(jié)果。本次提交中，Graphcore使用新發(fā)布的Bow系統(tǒng)分別在圖像分類模型ResNet-50和自然語言處理模型BERT上實現(xiàn)了和上次提交相比高達31%和37%的性能提升。此外，Graphcore還新增了語音轉(zhuǎn)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(tǒng)。百度飛槳使用Graphcore系統(tǒng)進行了BERT的提交，并展現(xiàn)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(fù)現(xiàn)，以及IPU生態(tài)進一步繁榮的潛力。 
Graphcore此次在封閉分區(qū)面向ResNet-50和BERT兩個模型提交了以3D WoW處理器Bow IPU為核心的Bow系統(tǒng)，包括Bow Pod16、Bow Pod64、Bow Pod128和Bow Pod256。和前代產(chǎn)品相比，Bow系統(tǒng)在提供更優(yōu)性能的同時價格保持不變，進一步提升了Graphcore系統(tǒng)的性價比優(yōu)勢。結(jié)果顯示，與上次提交相比，ResNet-50的訓練時間提升高達31%，BERT的訓練時間提升高達37%。 在GPU占據(jù)優(yōu)勢的模型ResNet-50上，Bow Pod16僅耗時19.6分鐘，表現(xiàn)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(xiàn)了Bow系統(tǒng)的性價比優(yōu)勢。
除此之外，Graphcore還提交了RNN-T在開放分區(qū)中的結(jié)果。RNN-T是一種進行高度準確的語音識別的精密方式，在移動設(shè)備上被廣泛使用。在Bow Pod64上，RNN-T的訓練時間可以從原本的幾周縮短到幾天。 Graphcore中國工程副總裁、AI算法科學家金琛表示：“對于本次MLPerf取得的出色成績，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)合進行提交，通過與百度飛槳的合作加速IPU生態(tài)系統(tǒng)的擴展，為產(chǎn)業(yè)賦能，推動各領(lǐng)域產(chǎn)業(yè)AI化轉(zhuǎn)型和升級。未來，我們也將繼續(xù)創(chuàng)新，應(yīng)對不斷增長的AI計算挑戰(zhàn)，助力AI計算的演進�！� 在本次MLPerf Training 2.0的提交中，百度飛槳使用Bow Pod16和Bow Pod64進行了BERT在封閉分區(qū)的提交，結(jié)果與Graphcore使用PopART進行提交的結(jié)果幾乎一致。這充分證明了Graphcore IPU性能的跨框架復(fù)現(xiàn)能力。這一能力的實現(xiàn)得益于Graphcore靈活的硬件系統(tǒng)、持續(xù)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(jié)合，實現(xiàn)了出色的性能結(jié)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(tǒng)在合作中展現(xiàn)了出色的性能，在許多應(yīng)用場景都展現(xiàn)出了巨大的應(yīng)用潛力。我們期待進一步加深與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AI產(chǎn)業(yè)變革�！� 百度飛槳已經(jīng)實現(xiàn)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，雙方還將進一步展開合作，為開發(fā)者提供更多創(chuàng)新工具，推動AI生態(tài)繁榮，從而賦能產(chǎn)業(yè)中AI的應(yīng)用和AI的商業(yè)化。產(chǎn)業(yè)中AI的應(yīng)用落地，也必將反哺AI的發(fā)展和AI生態(tài)的進一步繁榮。 |
