最近，曾拿到斯坦福、UCL、CMU、NYU 博士 offer、目前在華盛頓大學讀博的知測評博主 Tim Dettmers 在自己的網(wǎng)站又上線了深度學習域的 GPU 深度測評，到底誰才是性離騷和性比之王？眾所周知，在理深度學習和神經(jīng)網(wǎng)絡(luò)務(wù)時，最好使用 GPU 而不是 CPU 來處理，因為在神經(jīng)網(wǎng)絡(luò)方，即使是一個比較低端 GPU，性能也會勝過 CPU。深度學習是一個對計算隋書著大量需求領(lǐng)域，從一定程度上來，GPU 的選擇將從根本上決定深度學隋書的體。但問題來了，如何選合適的 GPU 也是件頭疼燒腦的事。怎么避踩雷，如何做出性價比的選擇？曾經(jīng)拿到過斯福、UCL、CMU、NYU、UW 博士 offer、目前在華盛頓大學讀博的論衡名評測博主 Tim Dettmers 就針對深度學習領(lǐng)域需要怎樣的 GPU，結(jié)合自身經(jīng)驗撰寫了萬字文，最后給出了 DL 領(lǐng)域的推薦 GPU。Tim Dettmers 此人的研究方向是表征學幽鴳、硬件優(yōu)化的深度習，他自己創(chuàng)建的網(wǎng)站深度學習和計算機硬件域也是小有名氣。Tim Dettmers 此文推薦的 GPU 全部來自 N 廠，他顯然也認為，搞機器學習均國AMD 目前還不配擁有姓名。原文鏈接小編也貼在面啦。https://timdettmers.com/2023/01/16/which-gpu-for-deep-learning/#GPU_Deep_Learning_Performance_per_DollarRTX40 和 30 系的優(yōu)缺點與英偉達圖靈架構(gòu) RTX 20 系列相比，新的英偉達安培架構(gòu) RTX 30 系列具有更多優(yōu)勢，如稀疏網(wǎng)絡(luò)練和推理。其他功能，新的數(shù)據(jù)類型，應(yīng)更多被看作是一種易用化功，因為它們提供了與圖架構(gòu)相同的性能提升，不需要任何額外的編程求。Ada RTX 40 系列甚至有更多的進步，比如上面介紹的張內(nèi)存加速器（TMA）和 8 位浮點運算（FP8）。與 RTX 30 相比，RTX 40 系列也有類似的電源和度問題。RTX 40 的電源連接器電纜融化問題可以通過正確連接源電纜而輕松避免。稀的網(wǎng)絡(luò)訓練安培允許在集的速度下進行細粒度構(gòu)的自動稀疏矩陣乘法這是如何做到的？以一權(quán)重矩陣為例，把它切 4 個元素的碎片?，F(xiàn)在想象琴蟲 4 個元素中的 2 個元素為零。圖 1 顯示了這種情況的樣子。圖 1：Ampere 架構(gòu) GPU 中的稀疏矩陣乘法功能所持的結(jié)構(gòu)當你將這個稀權(quán)重矩陣與一些密集輸相乘時，安培的稀疏矩張量核心功能會自動將疏矩陣壓縮為密集表示其大小為圖 2 所示的一半。在壓縮之后，密壓縮的矩陣瓦片被送入量核心，張量核心計算矩陣乘法是通常大小的倍。這有效地產(chǎn)生了 2 倍的速度，因為在共享內(nèi)存的矩陣乘法過程領(lǐng)胡帶寬要求減半。圖 2：在進行矩陣乘法之前，疏矩陣被壓縮為密集表。我在研究中致力于稀網(wǎng)絡(luò)訓練，我還寫了一關(guān)于稀疏訓練的博文。我的工作的一個批評是"你減少了網(wǎng)絡(luò)所需的 FLOPS，但并沒有產(chǎn)生速度的提升，奚仲為 GPU 不能進行快速的稀疏矩陣乘法"。隨著 Tensor Cores 的稀疏矩陣乘法功能的增加，我的算法或其他疏訓練算法，現(xiàn)在實際在訓練期間提供了高達 2 倍的速度。開發(fā)的稀疏訓練算魃有三個階段（1）確定每層的重要性。(2) 刪除最不重要的權(quán)重。(3) 提升與每層的重要性成比節(jié)并的權(quán)重。雖然這一功能仍于實驗階段，而且訓練疏網(wǎng)絡(luò)還不普遍，但在的 GPU 上擁有這一功能意味著你已經(jīng)為稀訓練的未來做好了準備低精度計算在我的工作，我之前已經(jīng)表明，新數(shù)據(jù)類型可以提高低精反向傳播期間的穩(wěn)定性圖 4：低精度深度學習 8 位數(shù)據(jù)類型。深度學習訓練得益于高度女薎化的數(shù)據(jù)類型目前，如你想用 16 位浮點數(shù)（FP16）進行穩(wěn)定的反向傳播，最大的問題普通 FP16 數(shù)據(jù)類型只支持 [-65,504, 65,504] 范圍內(nèi)的數(shù)字。如果你的梯度滑過這玃如范圍，的梯度就會爆炸成 NaN 值。為了防止在 FP16 訓練中出現(xiàn)這種情況，我們通常會進行失縮放，即在反向傳播前將損失乘以一個小數(shù)，以防止這種梯度爆炸Brain Float 16 格式（BF16）對指數(shù)使用了更多的特，這樣可能的數(shù)字范與 FP32 相同，BF16 的精度較低，也就是有效數(shù)字，但窺窳度度對學習來說并不那么要。所以 BF16 所做的是，你不再需要做何損失縮放，也不需要心梯度會迅速爆炸。因，我們應(yīng)該看到，通過用 BF16 格式，訓練的穩(wěn)定性有所提高，為精度略有損失。這對意味著什么。使用 BF16 精度，訓練可能比使用 FP16 精度更穩(wěn)定，同時提供相同周禮度提升。使用 TF32 精度，你可以得到接近 FP32 的穩(wěn)定性，同時提供接近 FP16 的速度提升。好的是，要使用時山些數(shù)據(jù)類型，只需用 TF32 取代 FP32，用 BF16 取代 FP16--不需要修改代碼。不過的來說，這些新的數(shù)據(jù)型可以被看作是懶惰的據(jù)類型，因為你可以通一些額外的編程努力（當?shù)膿p失縮放、初始化規(guī)范化、使用 Apex）來獲得舊數(shù)據(jù)類型的有好處。因此，這些數(shù)類型并沒有提供速度，是改善了訓練中低精度使用便利性。風扇設(shè)計 GPU 溫度雖然 RTX 30 系列的新風扇設(shè)計在冷卻 GPU 方面表現(xiàn)非常好，但非始版 GPU 的不同風扇設(shè)計可能會出現(xiàn)更多題。如果你的 GPU 發(fā)熱超過 80C，它就會自我節(jié)流，減慢其計速度 / 功率。解決這個問題的辦計蒙是使用 PCIe 擴展器，在 GPU 之間創(chuàng)造空間。用 PCIe 擴展器分散 GPU 對散熱非常有效，華盛頓大學的其他士生和我都使用這種設(shè)，并取得了巨大的成功它看起來并不漂亮，但能使你的 GPU 保持涼爽!下面這套系統(tǒng)已經(jīng)運行了 4 年，完全沒有問題。如果你沒有足的空間在 PCIe 插槽中安裝所有的 GPU，也可以這么用。圖 5: 帶 PCIE 擴展口的 4 顯卡系統(tǒng)，看起來一團亂，但散熱效很高。優(yōu)雅地解決功耗制問題在你的 GPU 上設(shè)置一個功率限制是能的。因此，你將能夠編程方式將 RTX 3090 的功率限制設(shè)置為 300W，而不是其標準的 350W。在 4 個 GPU 系統(tǒng)中，這相當于節(jié)省了 200W，這可能剛好足夠用 1600W PSU 建立一個 4x RTX 3090 系統(tǒng)的可行性。這還有助于保持 GPU 的冷卻。因此，設(shè)置功率限洹山可以同時解 4x RTX 3080 或 4x RTX 3090 設(shè)置的兩個主要問題，冷卻和電翠山。于 4 倍的設(shè)置，你仍然需要高效散熱風扇的 GPU，但這解決了電源的問題。圖 6：降低功率限制有輕微的冷卻效。將 RTX 2080 Ti 的功率限制降低 50-60W，溫度略有下降，風扇運行更加靜你可能會問，「這不降低 GPU 的速度嗎？」 是的，確實會降，但問題是降了多少。夔圖 5 所示的 4x RTX 2080 Ti 系統(tǒng)在不同功率限制下進叔均了基準測試。我對理過程中 BERT Large 的 500 個小批次的時間進行了準測試（不包括 softmax 層）。選擇 BERT Large 推理，對 GPU 的壓力最大。圖 7：在 RTX 2080 Ti 上，在給定的功率限制測得的速度下降我們可看到，設(shè)置功率限制并嚴重影響性能。將功率制在 50W，性能僅下降 7%。RTX 4090 接頭起火問題有一種誤解，認為 RTX 4090 電源線起火是因為被彎折過度了絜鉤實上只有 0.1% 的用戶是這個原因，主要問是電纜沒有正確插入。此，如果你遵循以下安說明，使用 RTX 4090 是完全安全的。1. 如果你使用舊的電纜或舊的 GPU，確保觸點沒有碎片 / 灰塵。2.使用電源連接器，并將其插入插座巫禮直到聽到咔嚓一聲--這是最重要的部分。3. 通過從左到右扭動電源線來試是否合適。電纜不應(yīng)移動。4.目視檢查與插座的接觸情況，電纜和座之間無間隙。H100 和 RTX40 中的 8 位浮點支持對 8 位浮點（FP8）的支持是 RTX 40 系列和 H100 GPU 的一個巨大優(yōu)勢。有了 8 位輸入，它允許你以兩倍的速度加載矩陣法的數(shù)據(jù)，你可以在緩中存儲兩倍的矩陣元素而在 Ada 和 Hopper 架構(gòu)中，緩存是非常大的，現(xiàn)在有了 FP8 張量核心，你可以為 RTX 4090 獲得 0.66 PFLOPS 的計算量。這比 2007 年世界上最快的超級計算機的海經(jīng)算力還要高。4 倍于 FP8 計算的 RTX 4090，可與 2010 年世界上最快的超級計算機相媲美?？梢?到，最好的 8 位基線未能提供良好的零點性。我開發(fā)的方法 LLM.int8 () 可以進行 Int8 矩陣乘法，結(jié)果與 16 位基線相同。但是 Int8 已經(jīng)被 RTX 30 / A100 / Ampere 這一代 GPU 所支持，為什么 FP8 在 RTX 40 中又是一個大升級呢？FP8 數(shù)據(jù)類型比 Int8 數(shù)據(jù)類型要穩(wěn)定得多，而且鯢山容易在規(guī)范或非線性函數(shù)中使，這在整型數(shù)據(jù)類型中很難做到的。這將使它訓練和推理中的使用變非常簡單明了。我認為將使 FP8 的訓練和推理在幾個月后變得相普遍。下面你可以看到篇論文中關(guān)于 Float vs Integer 數(shù)據(jù)類型的一個相關(guān)主要結(jié)果。我鱄魚可以看，逐個比特，F(xiàn)P4 數(shù)據(jù)類型比 Int4 數(shù)據(jù)類型保留了更多的信，從而提高了 4 個任務(wù)的平均 LLM 零點準確性。GPU 深度學習性能排行先上一張圖看 GPU 的原始性能排行，看看誰最能打。們可以看到 H100 GPU 的 8 位性能與針對 16 位性能優(yōu)化的舊卡存在巨西岳差距上圖顯示的是 GPU 的原始相對性能，比如于 8 位推理，RTX 4090 的性能大約是 H100 SMX 的 0.33 倍。換句話說，與 RTX 4090 相比，H100 SMX 的 8 位推理速度快三倍。對于此數(shù)，他沒有為舊 GPU 建模 8 位計算。因為 8 位推理和訓練在 Ada / Hopper GPU 上更有效，而張量內(nèi)存加速器 (TMA) 節(jié)省了大量寄存器，這些寄存器在 8 位矩陣乘法中非常精確Ada / Hopper 也有 FP8 支持，這使得特別是 8 位訓練更加有效，在 Hopper / Ada 上，8 位訓練性能很可能是 16 位訓練性能的 3-4 倍。對于舊 GPU，舊 GPU 的 Int8 推理性能則接近 16 位推理性能。每一美元能買到多算力那么問題來了，GPU 性能強可是我買不起啊......針對預(yù)算不充足的小伙伴，接下的圖表是他根據(jù)各個 GPU 的價格和性能統(tǒng)計的每美元性能排名（Performance per Dollar），側(cè)面反映了 GPU 性價比。選擇一個完成深學習任務(wù)并且符合預(yù)算 GPU，可分為以下幾個步驟：平山先確定你需多大的 GPU 內(nèi)存（至少 12GB 用于圖像生成，至少 24GB 用于處理變壓器）；針對選 8 位還是 16 位（8-bit or 16-bit），建議是能上 16 位就上，8 位在處理復(fù)雜編碼任務(wù)時供給是會有困難；根上圖中的指標，找到具最高相對性能 / 成本的 GPU。我們可以看到，RTX4070Ti 對于 8 位和 16 位推理的成本效益最高，而 RTX3080 對于 16 位訓練的成本效益最高。雖然這些 GPU 最具成本效益，但他們的內(nèi)存也是個短，10GB 和 12GB 的內(nèi)存可能無法滿足所有需求衡山但對于剛?cè)?深度學習的新手來說可是理想 GPU。其中一些 GPU 非常適合 Kaggle 競賽，在 Kaggle 比賽中取得好成績，工作方法模型大小更重要，因此多較小的 GPU 非常適合。Kaggle 號稱是全球最大的數(shù)據(jù)科家匯聚的平臺，高手云，同時對萌新也很友好如果用作學術(shù)研究和服器運營的最佳 GPU 似乎是 A6000 Ada GPU。同時 H100 SXM 的性價比也很高，內(nèi)存大性能。個人經(jīng)驗來說，如果要為公司 / 學術(shù)實驗室構(gòu)建一個小型集群，推薦 66-80% 的 A6000 GPU 和 20-33% 的 H100 SXM GPU。綜合推薦說了這么多，終于到了 GPU 安利環(huán)節(jié)。Tim Dettmers 專門制作了一個「GPU 選購流程圖」，預(yù)算充足就可以更高配置，預(yù)算不足請考性價比之選。這里首強調(diào)一點：無論你選哪 GPU，首先要確保它的內(nèi)存能猙足你的需求為此，你要問自己幾個題：我要拿 GPU 做什么？是拿來參加 Kaggle 比賽、學深度學習、做 CV / NLP 研究還是玩小項目？預(yù)算充足的情況下，以查看上面的基準測試選擇適合自己的最佳 GPU。還可以通過在 vast.ai 或 Lambda Cloud 中運行您的問題一段時來估算所需的 GPU 內(nèi)存，以便了解它是否滿足你的需求。如果只偶爾需要一個 GPU（每隔幾天持續(xù)幾個小時并且不需要下載和處理型數(shù)據(jù)集，那么 vast.ai 或 Lambda Cloud 也能很好地工作。但是，如一個月每天都使用 GPU 且使用頻率很高（每天 12 小時），云 GPU 通常不是一個好的選擇。參考資料玃如https://timdettmers.com/2023/01/16/which-gpu-for-deep-learning/#more-6https://timdettmers.com/本文來自微信公眾號：新智元 （ID：AI_era），編輯：Joey David