深度学习选什么显卡性价比最高?看完你就不再愁!

发布时间:2020-06-02 11:00:00
阅读量:225
作者:猎维人工智能培训
搞AI,谁又没有“GPU之惑”?张量核心、显存带宽、16位能力……各种纷繁复杂的GPU参数让人眼花缭乱,到底怎么选?从不到1k的1050 Ti到近4w的Tesla显卡,GPU价格的跨度这么大,该从何价位下手?谁才是性价比之王?

如果你在从事了AI相关的工作,那你应该就明白一件事:让GPU执行不同的任务,最佳选择也随之变化,用于计算机视觉和做NLP就都不太一样。而且,真正的业务应用场景用云端TPU、GPU行不行?和本地GPU在处理任务时应该如何分配,才能更省钱?这些问题我想都是大伙拿着很棘手的问题。

所以本篇文章就要让大伙不仅了解GPU,还要让大家在选择各种GPU时有明确的认识和方向!现在,为了帮你找到最适合的装备,小编跟大家分享一份测评,来看看到底谁能在众多GPU中脱颖而出?话不多说,马上揭晓。

1、最重要的参数

针对不同深度学习架构,GPU参数的选择优先级是不一样的,总体来说分两条路线:

卷积网络和Transformer:

张量核心(Tensor Core)>FLOPs(每秒浮点运算次数)>显存带宽>16位浮点计算能力

循环神经网络:显存带宽>16位浮点计算能力>张量核心>FLOPs

这个排序背后有一套逻辑,下面将详细解释一下。在说清楚哪个GPU参数对速度尤为重要之前,先看看两个最重要的张量运算:矩阵乘法和卷积。举个栗子,以运算矩阵乘法A×B=C为例,将A、B复制到显存上比直接计算A×B更耗费资源。也就是说,如果你想用LSTM等处理大量小型矩阵乘法的循环神经网络,显存带宽是GPU最重要的属性。矩阵乘法越小,内存带宽就越重要。

相反,卷积运算受计算速度的约束比较大。因此,要衡量GPU运行ResNets等卷积架构的性能,最佳指标就是FLOPs。张量核心可以明显增加FLOPs。Transformer中用到的大型矩阵乘法介于卷积运算和RNN的小型矩阵乘法之间,16位存储、张量核心和TFLOPs都对大型矩阵乘法有好处,但它仍需要较大的显存带宽。需要特别注意,如果想借助张量核心的优势,一定要用16位的数据和权重,避免使用RTX显卡进行32位运算!

下面总结了一张GPU和TPU的标准性能数据,值越高代表性能

越好。RTX系列假定用了16位计算,WordRNN数值是指长度<100的段序列的biLSTM性能。

这项基准测试是用PyTorch 1.0.1和CUDA 10完成的。

2、性价比分析

性价比可能是选择一张GPU最重要的考虑指标。在攻略中,进行了如下运算测试各显卡的性能:

·用语言模型Transformer-XL和BERT进行Transformer性能的基准测试。

·用最先进的biLSTM进行了单词和字符级RNN的基准测试。

·上述两种测试是针对Titan Xp、Titan RTX和RTX2080 Ti进行的,对于其他GPU则线性缩放了性能差异。

·借用了现有的CNN基准测试。

·用了亚马逊和eBay上显卡的平均售价作为GPU的参考成本。

·最后,可以得出CNN、RNN和Transformer的归一化性能/成本比值,如下所示:

在上面这张图中,数字越大代表每一美元能买到的性能越强。可以看出, RTX 2060比RTX 2070,RTX2080或RTX 2080 Ti更具成本效益,甚至是Tesla V100性价比的5倍以上。所以此轮的性价比之王已经确定,是RTX 2060无疑了。不过,这种考量方式更偏向于小型GPU,且因为游戏玩家不喜欢RTX系列显卡,导致GTX 10xx系列的显卡售价虚高。此外,还存在一定的单GPU偏差,一台有4个RTX 2080 Ti的计算机比两台带8个RTX 2060的计算机性价比更高。

3、所需显存与16位训练

GPU的显存对某些应用至关重要,比如常见的计算机视觉、机器翻译和一部分NLP应用。可能你认为RTX 2070具有成本效益,但需要注意其显存很小,只有8 GB。不过,也有一些补救办法。通过16位训练,你可以拥有几乎16位的显存,相当于将显存翻了一倍,这个方法对RTX 2080和RTX 2080 Ti同样适用。也就是说,16位计算可以节省50%的内存,16位 8GB显存大小与12GB 32位显存大小相当。

4、云端or本地?TPU or GPU?

搞清楚了参数,还有更眼花缭乱的选项摆在面前:

谷歌云、亚马逊AWS、微软的云计算平台都能搞机器学习,是不是可以不用自己买GPU?英伟达、AMD、英特尔、各种创业公司……AI加速芯片也有不少品牌可选。面对整个行业的围攻分析了各家平台的优缺点。

英伟达

英伟达无疑是深度学习硬件领域的领导者,大多数深度学习库都对英伟达GPU提供最佳支持。而AMD的OpenCL没有这样强大的标准库。软件是英伟达GPU非常强大的一部分。在过去的几个月里,NVIDIA还在为软件注入更多资源。例如,Apex库对PyTorch中的16位梯度提供支持,还包括像FusedAdam这样的融合快速优化器。

但是英伟达现在有一项非常坑爹的政策,如果在数据中心使用CUDA,那么只允许使用Tesla GPU而不能用GTX或RTX GPU。由于担心法律问题,研究机构和大学经常被迫购买低性价比的Tesla GPU。然而,Tesla与GTX和RTX相比并没有真正的优势,价格却高出10倍。这里特别注意,在选择英伟达的显卡时,一定要区分显卡的类型。NVIDIA主要有三个系列的显卡:GeForce,Quadro,Tesla。

GeForce面向游戏,Quadro面向3D设计、专业图像和CAD等,Tesla面向科学计算。GeForce面向游戏,性能高,但精度低,稳定性比Telsa差很多。毕竟玩游戏的时候如果程序崩了也就丢个存档,但服务器崩了没准挂掉一个公司。

Tesla从诞生之初就瞄准高精度科学计算,所以Tesla严格意义上不是块显卡,是个计算加速卡。(对于不带视频输出的Tesla显卡而言,玩游戏是指望不上的)。Tesla的设计上双精度浮点数的能力比起Geforce系列强很多,不过从深度学习的角度看,双精度显得不那么重要,经典的AlexNet就算两块GTX580训练出来的。除了精度,Tesla主要面向工作站和服务器,所以稳定性很好,同时会有很多针对服务器的优化。当然,Tesla系列最大的特点是贵。

综上,如果在大规模集群上进行深度学习研发和部署,Tesla是首选,尤其是M和P子系列。单机上开发的话,土豪或者追求稳定性高的人请选Tesla,最有性价比且能兼顾日常使用的选择是GeForce.


AMD

AMD GPU性能强大但是软件太弱。虽然有ROCm可以让CUDA转换成可移植的C++代码,但是问题在于,移植TensorFlow和PyTorch代码库很难,这大大限制了AMD GPU的应用。TensorFlow和PyTorch对AMD GPU有一定的支持,所有主要的网络都可以在AMD GPU上运行,但如果想开发新的网络,可能有些细节会不支持。对于那些只希望GPU能够顺利运行的普通用户,并不推荐AMD。但是支持AMD GPU和ROCm开发人员,会有助于打击英伟达的垄断地位,将使每个人长期受益。


英特尔

一些人曾经尝试过至强融核(Xeon Phi)处理器,但体验让人失望。英特尔目前还不是英伟达或AMD GPU真正的竞争对手。至强融核对深度学习的支持比较差,不支持一些GPU的设计特性,编写优化代码困难,不完全支持C++ 11的特性,与NumPy和SciPy的兼容性差。英特尔曾计划在今年下半年推出神经网络处理器(NNP),希望与GPU和TPU竞争,但是该项目已经跳票。


谷歌

谷歌TPU已经发展成为一种非常成熟的云端产品。你可以这样简单理解TPU:把它看做打包在一起的多个专用GPU,它只有一个目的——进行快速矩阵乘法。如果看一下具有张量核心的V100 GPU与TPUv2的性能指标,可以发现两个系统的性能几乎相同。TPU本身支持TensorFlow,对PyTorch的支持也在试验中。TPU在训练大型Transformer GPT-2上取得了巨大的成功,BERT和机器翻译模型也可以在TPU上高效地进行训练,速度相比GPU大约快56%。

但是TPU也并非没有问题,有些文献指出在TPUv2上使用LSTM没有收敛。TPU长时间使用时还面临着累积成本的问题。TPU具有高性能,最适合在训练阶段使用。在原型设计和推理阶段,应该依靠GPU来降低成本。总而言之,目前TPU最适合用于训练CNN或大型Transformer,并且应该补充其他计算资源而不是主要的深度学习资源。


亚马逊和微软云GPU

亚马逊AWS和Microsoft Azure的云GPU非常有吸引力,人们可以根据需要轻松地扩大和缩小使用规模,对于论文截稿或大型项目结束前赶出结果非常有用。

然而,与TPU类似,云GPU的成本会随着时间快速增长。目前,云GPU过于昂贵,且无法单独使用,Tim建议在云GPU上进行最后的训练之前,先使用一些廉价GPU进行原型开发。

初创公司的AI硬件

有一系列初创公司在生产下一代深度学习硬件。但问题在于,这些硬件需要开发一个完整的软件套件才能具有竞争力。英伟达和AMD的对比就是鲜明的例子。

总结:

总的来说,本地运算首选英伟达GPU,它在深度学习上的支持度比AMD好很多;云计算首选谷歌TPU,它的性价比超过亚马逊AWS和微软Azure。训练阶段使用TPU,原型设计和推理阶段使用本地GPU,可以帮你节约成本。如果对项目deadline或者灵活性有要求,请选择成本更高的云GPU。

总之,在GPU的选择上有三个原则:1、使用GTX 1070或更好的GPU;2、购买带有张量核心(Tensor Core)的RTX GPU;3、在GPU上进行原型设计,然后在TPU或云GPU上训练模型。

针对不同研究目的、不同预算,给出了如下的建议:

最佳GPU:RTX 2070

避免的坑:所有Tesla、Quadro、创始人版(Founders Edition)的显卡,还有Titan RTX、Titan V、TitanXP

高性价比:RTX 2070(高端),RTX 2060或GTX 1060 (6GB)(中低端)

穷人之选:GTX 1060 (6GB)

破产之选:GTX 1050 Ti(4GB),或者CPU(原型)+ AWS/ TPU(训练),或者Colab 但小编认为已经有点丐了!

Kaggle竞赛:RTX 2070

计算机视觉或机器翻译研究人员:采用鼓风设计的GTX 2080 Ti,如果训练非常大的网络,请选择RTX Titans

NLP研究人员:RTX 2080 Ti

已经开始研究深度学习:RTX 2070起步,以后按需添置更多RTX 2070

尝试入门深度学习:GTX 1050 Ti(2GB或4GB显存)

以上是小编个人对GPU选购建议,最终选择还是要根据个人的预算和实际应用场景考虑,大家也可以分享自己的经验,在留言区讨论。

更多资讯