Question

概述

在多个平台上对图像分类模型进行测试，为 TensorFlow 社区创建了一个参考点。在 方法 章节中会详细说明如何执行测试，并给出使用的脚本链接。

图像分类模型的结果

InceptionV3 ( arXiv:1512.00567 ), ResNet-50
( arXiv:1512.03385 ), ResNet-152
( arXiv:1512.03385 ), VGG16
( arXiv:1409.1556 ), 和
AlexNet 使用 ImageNet 数据集测试。这些测试运行在 Google 计算云引擎，亚马逊计算云 (Amazon EC2) 和 NVIDIA® DGX-1™ 。大部分测试都使用了合成和真实的数据。使用 tf.Variable 对合成数据进行测试，数据集设置为 ImageNet 中每个模型所需的数据的同一形状。我们认为，对平台进行基准测试时，包含真实数据是很重要的。在底层硬件和框架上对准备数据加载测试是为了进行实际训练。为了将磁盘 I/O 作为变量移除，我们从合成数据开始，并设置一个基线。然后使用真实的数据来验证 TensorFlow 的输入管道和底层磁盘 I/O 是否使计算单元饱和。

使用 NVIDIA® DGX-1™ (NVIDIA® Tesla® P100) 训练

细节和其他结果参见 Details for NVIDIA® DGX-1™ (NVIDIA®
Tesla® P100) 。

使用 NVIDIA® Tesla® K80 训练

细节和其他结果参见 Details for Google Compute Engine
(NVIDIA® Tesla® K80) 和
Details for Amazon EC2 (NVIDIA® Tesla®
K80) 。

使用 NVIDIA® Tesla® K80 分布式训练

细节和其他结果参见 Details for Amazon EC2 Distributed
(NVIDIA® Tesla® K80) 。

合成和真实数据训练比较

NVIDIA® Tesla® P100

NVIDIA® Tesla® K80

NVIDIA® DGX-1™ (NVIDIA® Tesla® P100) 的详细资料

环境配置

• Instance type : NVIDIA® DGX-1™
• GPU: 8x NVIDIA® Tesla® P100
• OS: Ubuntu 16.04 LTS with tests run via Docker
• CUDA / cuDNN: 8.0 / 5.1
• TensorFlow GitHub hash: b1e174e
• Benchmark GitHub hash: 9165a70
• Build Command: bazel build -c opt --copt=-march="haswell" --config=cuda //tensorflow/tools/pip_package:build_pip_package
• Disk: Local SSD
• DataSet: ImageNet
• Test Date: May 2017

下表列出了每个模型的批处理大小和优化器。除了表中列出的批处理大小之外，InceptionV3、ResNet-50、ResNet-152 和 VGG16 测试的批次大小为 32。这些结果在 其他结果 章节。

Options	InceptionV3	ResNet-50	ResNet-152	AlexNet	VGG16
Batch size per GPU	64	64	64	512	64
Optimizer	sgd	sgd	sgd	sgd	sgd

用于每个模型的配置。

Model	variable_update	local_parameter_device
InceptionV3	parameter_server	cpu
ResNet50	parameter_server	cpu
ResNet152	parameter_server	cpu
AlexNet	replicated (with NCCL)	n/a
VGG16	replicated (with NCCL)	n/a

结果

训练合成数据

GPUs	InceptionV3	ResNet-50	ResNet-152	AlexNet	VGG16
1	142	219	91.8	2987	154
2	284	422	181	5658	295
4	569	852	356	10509	584
8	1131	1734	716	17822	1081

训练真实数据

GPUs	InceptionV3	ResNet-50	ResNet-152	AlexNet	VGG16
1	142	218	91.4	2890	154
2	278	425	179	4448	284
4	551	853	359	7105	534
8	1079	1630	708	N/A	898

从上图表可以看出，由于最大输入的限制，AlexNet 模型没有使用 8 个 GPU 来训练数据。

其他结果

以下是批处理大小为 32 的结果。

训练合成数据

GPUs	InceptionV3	ResNet-50	ResNet-152	VGG16
1	128	195	82.7	144
2	259	368	160	281
4	520	768	317	549
8	995	1485	632	820

训练真实数据

GPUs	InceptionV3	ResNet-50	ResNet-152	VGG16
1	130	193	82.4	144
2	257	369	159	253
4	507	760	317	457
8	966	1410	609	690

Google Compute Engine (NVIDIA® Tesla® K80) 的详细资料

环境配置

• Instance type : n1-standard-32-k80x8
• GPU: 8x NVIDIA® Tesla® K80
• OS: Ubuntu 16.04 LTS
• CUDA / cuDNN: 8.0 / 5.1
• TensorFlow GitHub hash: b1e174e
• Benchmark GitHub hash: 9165a70
• Build Command: bazel build -c opt --copt=-march="haswell" --config=cuda //tensorflow/tools/pip_package:build_pip_package
• Disk: 1.7 TB Shared SSD persistent disk (800 MB/s)
• DataSet: ImageNet
• Test Date: May 2017

下表列出了每个模型的批处理大小和优化器。除了表中列出的批处理大小之外，InceptionV3 和 ResNet-50 测试的批次大小为 32。这些结果在 其他结果 章节。

Options	InceptionV3	ResNet-50	ResNet-152	AlexNet	VGG16
Batch size per GPU	64	64	32	512	32
Optimizer	sgd	sgd	sgd	sgd	sgd

每个模型所用的配置中， variable_update 和 parameter_server 配置相同，local_parameter_device 和 cpu 配置相同。

结果

训练合成数据

GPUs	InceptionV3	ResNet-50	ResNet-152	AlexNet	VGG16
1	30.5	51.9	20.0	656	35.4
2	57.8	99.0	38.2	1209	64.8
4	116	195	75.8	2328	120
8	227	387	148	4640	234

训练真实数据

GPUs	InceptionV3	ResNet-50	ResNet-152	AlexNet	VGG16
1	30.6	51.2	20.0	639	34.2
2	58.4	98.8	38.3	1136	62.9
4	115	194	75.4	2067	118
8	225	381	148	4056	230

其他结果

训练合成数据

GPUs	InceptionV3 (batch size 32)	ResNet-50 (batch size 32)
1	29.3	49.5
2	55.0	95.4
4	109	183
8	216	362

训练真实数据

GPUs	InceptionV3 (batch size 32)	ResNet-50 (batch size 32)
1	29.5	49.3
2	55.4	95.3
4	110	186
8	216	359

Amazon EC2 (NVIDIA® Tesla® K80) 的详细资料

环境配置

• Instance type : p2.8xlarge
• GPU: 8x NVIDIA® Tesla® K80
• OS: Ubuntu 16.04 LTS
• CUDA / cuDNN: 8.0 / 5.1
• TensorFlow GitHub hash: b1e174e
• Benchmark GitHub hash: 9165a70
• Build Command: bazel build -c opt --copt=-march="haswell" --config=cuda //tensorflow/tools/pip_package:build_pip_package
• Disk: 1TB Amazon EFS (burst 100 MiB/sec for 12 hours, continuous 50
  MiB/sec)
• DataSet: ImageNet
• Test Date: May 2017

下表列出了每个模型的批处理大小和优化器。除了表中列出的批处理大小之外，InceptionV3 和 ResNet-50 测试的批次大小为 32。这些结果在 其他结果 章节。

Options	InceptionV3	ResNet-50	ResNet-152	AlexNet	VGG16
Batch size per GPU	64	64	32	512	32
Optimizer	sgd	sgd	sgd	sgd	sgd

用于每个模型的配置。

Model	variable_update	local_parameter_device
InceptionV3	parameter_server	cpu
ResNet-50	replicated (without NCCL)	gpu
ResNet-152	replicated (without NCCL)	gpu
AlexNet	parameter_server	gpu
VGG16	parameter_server	gpu

结果

训练合成数据

GPUs	InceptionV3	ResNet-50	ResNet-152	AlexNet	VGG16
1	30.8	51.5	19.7	684	36.3
2	58.7	98.0	37.6	1244	69.4
4	117	195	74.9	2479	141
8	230	384	149	4853	260

训练真实数据

GPUs	InceptionV3	ResNet-50	ResNet-152	AlexNet	VGG16
1	30.5	51.3	19.7	674	36.3
2	59.0	94.9	38.2	1227	67.5
4	118	188	75.2	2201	136
8	228	373	149	N/A	242

由于我们的 EFS 没有提供足够的吞吐量，在上面的图表中我们排除了使用 8 个 GPU 来训练 AlexNet 模型的统计。

其他结果

训练合成数据

GPUs	InceptionV3 (batch size 32)	ResNet-50 (batch size 32)
1	29.9	49.0
2	57.5	94.1
4	114	184
8	216	355

训练真实数据

GPUs	InceptionV3 (batch size 32)	ResNet-50 (batch size 32)
1	30.0	49.1
2	57.5	95.1
4	113	185
8	212	353

Amazon EC2 Distributed (NVIDIA® Tesla® K80) 的详细资料

环境配置

• Instance type : p2.8xlarge
• GPU: 8x NVIDIA® Tesla® K80
• OS: Ubuntu 16.04 LTS
• CUDA / cuDNN: 8.0 / 5.1
• TensorFlow GitHub hash: b1e174e
• Benchmark GitHub hash: 9165a70
• Build Command: bazel build -c opt --copt=-march="haswell" --config=cuda //tensorflow/tools/pip_package:build_pip_package
• Disk: 1.0 TB EFS (burst 100 MB/sec for 12 hours, continuous 50 MB/sec)
• DataSet: ImageNet
• Test Date: May 2017

下表列出了每个模型的批处理大小和优化器。除了表中列出的批处理大小之外，InceptionV3 和 ResNet-50 测试的批次大小为 32。这些结果在 其他结果 章节。

Options	InceptionV3	ResNet-50	ResNet-152
Batch size per GPU	64	64	32
Optimizer	sgd	sgd	sgd

用于每个模型的配置。

Model	variable_update	local_parameter_device	cross_replica_sync
InceptionV3	distributed_replicated	n/a	True
ResNet-50	distributed_replicated	n/a	True
ResNet-152	distributed_replicated	n/a	True

为了简化服务器安装，EC2 实例（p2.8xlarge）运行了 worker 服务器和 parameter 服务器。使用的 worker 服务器和 parameter 服务器数量相等，但有如下例外：

• InceptionV3: 8 instances / 6 parameter servers
• ResNet-50: (batch size 32) 8 instances / 4 parameter servers
• ResNet-152: 8 instances / 4 parameter servers

结果

训练合成数据

GPUs	InceptionV3	ResNet-50	ResNet-152
1	29.7	52.4	19.4
8	229	378	146
16	459	751	291
32	902	1388	565
64	1783	2744	981

其他结果

训练合成数据

GPUs	InceptionV3 (batch size 32)	ResNet-50 (batch size 32)
1	29.2	48.4
8	219	333
16	427	667
32	820	1180
64	1608	2315

方法

高性能模型

为了创建尽可能重复的结果，每个测试运行 5 次，然后将时间取平均值。在给定的平台上，GPU 是在默认状态下运行的。对于 NVIDIA® Tesla® K80 来说这意味着不使用 GPU
Boost 。对于每个测试，需要完成 10 次预热，然后再平均完成 100 次测试。

如果您发现本页面存在错误或可以改进，请 点击此处 帮助我们改进。