Abstrakt
Practical deep learning applications require more and more computing power. New computing architectures emerge, specifically designed for the artificial intelligence applications, including the IBM Power System AC922. In this paper we confront an AC922 (8335-GTG) server equipped with 4 NVIDIA Volta V100 GPUs with selected deep neural network training applications, including four convolutional and one recurrent model. We report performance results depending on batch sizes and GPU selection and compare them with the results from another contemporary workstation based on the same set of GPUs – NVIDIA® DGX Station ™ . The results show that the AC922 performs better in all tested configurations, achieving improvements up to 10.3%. Profiling indicates that the improvement is due to the efficient I/O pipeline. The performance differences depend on the specific model, rather than on the model class (RNN/CNN). Both systems offer good scalability up to 4 GPUs. In certain cases there is a significant difference in performance depending on exactly which GPUs are used for computations.
Cytowania
-
3
CrossRef
-
0
Web of Science
-
4
Scopus
Autorzy (3)
Cytuj jako
Pełna treść
pełna treść publikacji nie jest dostępna w portalu
Słowa kluczowe
Informacje szczegółowe
- Kategoria:
- Aktywność konferencyjna
- Typ:
- publikacja w wydawnictwie zbiorowym recenzowanym (także w materiałach konferencyjnych)
- Tytuł wydania:
- 2019 International Conference on High Performance Computing & Simulation (HPCS) strony 666 - 673
- Język:
- angielski
- Rok wydania:
- 2020
- Opis bibliograficzny:
- Rościszewski P., Iwański M., Czarnul P.: The impact of the AC922 Architecture on Performance of Deep Neural Network Training// 2019 International Conference on High Performance Computing & Simulation (HPCS)/ : , 2020, s.666-673
- DOI:
- Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.1109/hpcs48598.2019.9188164
- Weryfikacja:
- Politechnika Gdańska
wyświetlono 101 razy
Publikacje, które mogą cię zainteresować
Exploring Neural Networks for Musical Instrument Identification in Polyphonic Audio
- M. Blaszke,
- G. Korvel,
- B. Kostek