小丸工具箱cpu要求(小丸工具箱msi)

选自arXiv

机器之心编译

2016 年 8 月小丸工具箱cpu要求，香港浸会大学褚晓文团队的研究者发表小丸工具箱cpu要求了一篇论文，对业界主流深度学习工具进行了基准评测，最近该论文更新了第六版。本次的主要更新包括小丸工具箱cpu要求：（1）软件版本更新；（2）加入 MXNet；（3）剔除了假数据，还使用了 MNIST and Cifar10；（4）一机多卡的测试。

摘要

深度学习已被证明是一种可成功用于许多任务的机器学习方法，而且它的广泛流行也将很多开源的深度学习软件工具开放给了公众。训练一个深度网络往往是一个非常耗时的过程。为了解决深度学习中巨大的计算难题，许多工具利用了多核 CPU 和超多核 GPU 这样的硬件特性来缩短训练时间。但是，在不同的硬件平台上训练不同类型的深度网络时，不同的工具会有不同的特性和运行性能，这让终端用户难以选择出合适的软件和硬件搭配。在这篇论文中，我们的目标是对当前最先进的 GPU 加速的深度学习软件工具（包括：Caffe, CNTK, TensorFlow 和 Torch）进行比较研究。我们在两种 CPU 平台和三种 GPU 平台上使用三种流行的神经网络来评测了这些工具的运行性能。我们做出了两方面的贡献。第一，对于深度学习终端用户，我们的基准评测结果可用于指导合适的软件工具和硬件平台的选择。第二，对于深度学习软件开发者，我们的深度分析为进一步优化训练的性能指出了可能的方向。

实验数据

展开全文

评测软件版本

评测中的神经网络设置

评测硬件配置

评测硬件配置——并行数据

对比结果（每个 mini-batch 的时间/秒；其中加粗的为最优）

单GPU-多GPU对比

结论

本研究旨在对比现代深度学习软件工具的运行性能，测试它们在不同类型的神经网络和不同的硬件平台上的执行效率。我们的实验结果表明，目前所有经过测试的工具都可以很好地利用 GPU，比使用 CPU 的竞争对手有着很大优势。然而，没有任何一个工具可以在所有方面胜过其小丸工具箱cpu要求他软件工具，这意味着也许存在进一步优化性能的方向。

在未来的研究中，首先，我们会将更多的深度学习软件工具（如百度的 Paddle）和硬件平台（如 AMD 的 GPU 和英特尔至强 Phi）纳入这项基准研究。其次，我们计划评估在高性能 GPU 集群上这些工具的可扩展性。

论文链接：https://arxiv.org/pdf/1608.07249v6.pdf