[db analytics showcase Sapporo 2017] B14: GPU コンピューティング最前線 by エヌビディア 佐々木邦暢
•
4 gefällt mir•626 views
GPUの演算能力を汎用的に活用する「GPUコンピューティング」が誕生してはや10年。多くのスーパーコンピューターに採用されるなど科学技術計算の領域で実績を積み重ねたこの技術は、近年のAIムーブメントを支える重要な存在になっています。高度な画像認識、自然言語処理、そして自動運転などますます複雑になる問題のために登場した Volta 世代の新型GPUをはじめ、GPUコンピューティングの最新情報をお伝えします。
Empfohlen
Weitere ähnliche Inhalte
Was ist angesagt?
Was ist angesagt? (20)
Ähnlich wie [db analytics showcase Sapporo 2017] B14: GPU コンピューティング最前線 by エヌビディア 佐々木邦暢
Ähnlich wie [db analytics showcase Sapporo 2017] B14: GPU コンピューティング最前線 by エヌビディア 佐々木邦暢 (20)
Mehr von Insight Technology, Inc.
Mehr von Insight Technology, Inc. (20)
Kürzlich hochgeladen
Kürzlich hochgeladen (9)
[db analytics showcase Sapporo 2017] B14: GPU コンピューティング最前線 by エヌビディア 佐々木邦暢
- 2. 2 エヌビディア AI コンピューティング カンパニー 1993 年創業 創業者兼 CEO ジェンスン フアン 従業員 11,000 人 2017 会計年度売上高 69 億ドル 時価総額 935 億ドル（約 10 兆円）
- 3. 3 GPU コンピューティング 10年の歩み 2006 2008 2012 20162010 2014 Fermi: 世界初の HPC 用 GPU オークリッジ国立研究所の世界 最速 GPU スーパーコンピュータ 世界初の HIV カプシドの 原子モデルシミュレーション GPU AI システムが碁の 世界チャンピオンを破る スタンフォード大学が GPU を利用した AI マシンを構築 世界初のヒトゲノムの 3次元マッピングCUDA 発表 世界初の GPU Top500 システム Google が ImageNet で 人間を超える H1N1 の異変の 仕組みを解明 GPU を利用した AlexNet が圧勝
- 4. 4 様々な分野で AI が効果を発揮 碁で名人に勝利 ゲームをプレイ 画家のスタイルで画像生成 音声合成 映像を文章で説明 ロボットの動作を洗練 歩行を自己学習 自動運転
- 5. 5 エンタープライズのための SAP AI SAP から提供される最初の商業的 AI オファリング Brand Impact、Service Ticketing、 Invoice-to-Record アプリケーション DGX-1 と AWS で NVIDIA GPU を利用
- 6. 6 エンタープライズのための SAP AI SAP から提供される最初の商業的 AI オファリング Brand Impact、Service Ticketing、 Invoice-to-Record アプリケーション DGX-1 と AWS で NVIDIA GPU を利用 VIDEO: SAP Brand Impact
- 8. 8 マルチ GPU を活用 Gradient ascent with small mini-batches cannot be meaningfully parallelized across multiple servers. Instead, we utilize multiple NVidia Tesla GPGPU devices connected to a single host. 小さなミニバッチでの勾配上昇法は複数サーバーへの並列化ができないため 我々は複数の NVIDIA Tesla GPU を 1 台のホストに搭載した https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/CD-DNN-HMM-SWB-Interspeech2011-Pub.pdf
- 9. 9 GPU の効果は絶大 The speed-up from using GPGPUs is so large GPU による高速化は非常に大きなものである https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/CD-DNN-HMM-SWB-Interspeech2011-Pub.pdf
- 10. 10 2012 年 DNN で音声認識 Geoffrey Hinton Li Deng Dong Yu George Dahl Abdel-rahman Mohamed Navdeep Jaitly Andrew Senior Vincent Vanhoucke Patrick Nguyen Brian Kingsbury Tara Sainath 豪華な著者達 https://static.googleusercontent.com/media/research.google.com/ja//pubs/archive/38131.pdf
- 11. 11 この研究でも GPU を活用 At present, the most effective parallelization method is to parallelize the matrix operations using a GPU. 現時点でもっとも効果的な並列化手法は GPU で行列演算を行うことだ https://static.googleusercontent.com/media/research.google.com/ja//pubs/archive/38131.pdf
- 13. 13 IBM が MICROSOFT の記録を更新 https://arxiv.org/pdf/1703.02136.pdf
- 14. 14 そして画像認識でも
- 16. 16 2006 年当時の状況 ここ数年、新しいモデル表現の提案、機械学習法の進歩、 計算機の高速化などにより、急速に研究が進展しており、 現在は 101 種類の対象に対して 6 割程度の精度で認識が可能となってきている。 「山」「椅子」「ラーメン」などの我々にとって馴染み深い対象が写った画像を 計算機によって自動的に検出することは、現状では極めて困難である。 https://ipsj.ixsq.nii.ac.jp/ej/?action=repository_uri&item_id=52152
- 18. 18 ディープラーニングによるブレークスルー エラー率: 5.98%, 2015/1/13, Baidu 4.94%, 2015/2/6, Microsoft 4.82%, 2015/2/11, Google 精度 % 2010 201420122011 2013 74% 84% ディープラーニング 従来手法 72% 人間と同等以上の精度に到達
- 19. 19 畳み込みニューラルネットワークと GPU Luckily, current GPUs, paired with a highly-optimized implementation of 2D convolution, are powerful enough to facilitate the training of interestingly-large CNNs, 幸運なことに、最新の GPU と高度に最適化された 2D 畳み込み 処理の組み合わせは、大きな畳み込みニューラルネットワークを トレーニングするのに十分な能力がある https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf
- 20. 20 畳み込みニューラルネットワークと GPU All of our experiments suggest that our results can be improved simply by waiting for faster GPUs and bigger datasets to become available. 単純にもっと速い GPU と今より大きなデータセットさえあれば、 さらに良い結果が得られるであろう https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf
- 21. 21 ディープラーニングを加速する3要因 ディープ ニューラル ネットワーク GPUビッグデータ 1分間に100 時間の ビデオがアップロード 日々3.5億イメージ がアップロード 1時間に2.5兆件の 顧客データが発生 TORCH THEANO CAFFE MATCONVNET PURINEMOCHA.JL MINERVA MXNET*
- 23. 23 SGEMM/W 2012 20142008 2010 2016 48 36 12 0 24 60 2018 72 Tesla Fermi Kepler Maxwell Pascal Volta GPU アーキテクチャコードネーム
- 24. 24 NVIDIA GPU 製品のおおまかな一覧 Kepler Maxwell Pascal Volta GeForceゲーミング Quadro プロフェッショナル グラフィックス Tesla HPC & Cloud M4 M40 M6000M5000K6000K5000 GTX 980GTX 780 HPC 用 GRID 用 K80K40K20 P100 P40P4DL 用 M60 M6 M10 GP100P5000 K2 K520 K1 GTX 1080 TITAN X V100
- 25. 25 発表 Tesla V100 AI と HPC のための大きな飛躍 Tensor コアを搭載した Volta アーキテクチャ 210 億トランジスタ | TSMC 12nm FFN | 815mm2 5120 CUDA コア 7.5 FP64 TFLOPS | 15 FP32 TFLOPS 120 Tensor TFLOPS 総レジスタファイル 20MB | 16MB キャッシュ 900 GB/s の 16GB HBM2 300 GB/s NVLink
- 26. 26 新開発 Tensor コア CUDA Tensor 演算命令 及び データフォーマット 4x4 行列処理配列 D[FP32] = A[FP16] * B[FP16] + C[FP32] ディープラーニングに最適化 アクティベーション入力 重み入力 出力結果
- 27. 27 P100 V100 Ratio トレーニングの高速化 10 TOPS 120 TOPS 12x 推論の高速化 21 TFLOPS 120 TOPS 6x FP64/FP32 5/10 TFLOPS 7.5/15 TFLOPS 1.5x HBM2 バンド幅 720 GB/s 900 GB/s 1.2x NVLink バンド幅 160 GB/s 300 GB/s 1.9x L2 Cache 4 MB 6 MB 1.5x L1 Caches 1.3 MB 10 MB 7.7x Pascal / Volta GPUの性能比較
- 28. 28 発表 Volta 対応フレームワーク 時間 CNN トレーニング (ResNet-50) 時間 NCCL 2.0 を利用したマルチノード トレーニング (ResNet-50) 0 5 10 15 20 25 64x V100 8x V100 8x P100 0 10 20 30 40 50 V100 P100 K80 時間 LSTM トレーニング (ニューラル機械翻訳) 0 10 20 30 40 50 8x V100 8x P100 8x K80
- 29. 29 Tesla V100 搭載 NVIDIA DGX-1 AI 研究の必需品 960 Tensor TFLOPS | Tesla V100 8基 | NVLink ハイブリッドキューブ TITAN X で 8 日かかる計算が 8 時間に CPU サーバー 400台分の性能がワンボックスに
- 30. 30 NVIDIA DGX Station パーソナル DGX 480 Tensor TFLOPS | Tesla V100 4基 NVLink 全結合 | 3つの DisplayPort 1500W | 水冷
- 31. 31 コンテナ、データセット、 事前学習済モデルの レポジトリ NVIDIA GPU クラウド CSP NVIDIA GPU Cloud NVDocker のコンテナとして提供 | フルスタックで最適化 常に最新 | エヌビディアによって完全にテストおよびメンテナンス | 7月にベータ提供 ディープラーニングに最適化された GPU で加速されたクラウドプラットフォーム
- 33. 33 AWS P2 インスタンス Tesla K80 を搭載する GPU インスタンス インスタンス名 GPU 数 GPU メモリ (GB) CUDA コア数 vCPU 数 メモリ (GB) p2.xlarge 1 (K80 半分) 12 2,496 4 61 p2.8xlarge 8 (K80 4枚) 96 19,968 32 488 p2.16xlarge 16 (K80 8枚) 192 39,936 64 732
- 34. 34 GPU 対応の AMI 各種 GPU ドライバや各種フレームワーク・アプリケーション導入済み AWS 提供 NVIDIA 提供 Deep Learning AMI Amazon Linux Version 64-bit, Amazon Linux 2016.09 NVIDIA GPU ドライバ MXNet, Caffe, Caffe2, TensorFlow, Theano, CNTK, Torch, Keras NVIDIA DIGITS 4 AMI NVIDIA DIGITS 4 on Ubuntu 14.04 (64-bit) NVIDIA CUDA Toolkit 7.5 AMI CUDA Toolkit 7.5 on Amazon Linux 2016.03 (64-bit) Windows AMI (NVIDIA GPU ドライバ付) Windows Server 2012 R2
- 35. 35 AWS パブリックデータセット 無料でアクセス可能な大規模データ データセット名 内容 ランドサット ランドサット 8 号衛星により作成中の地球全土の衛星画像コレクション SpaceNet コンピュータビジョンアルゴリズムの開発における革新を促進するために衛星画像 とラベリングされたトレーニングデータを集めたデータベース 地勢タイル 世界各地の地表の標高などの地勢を示すデータセット NASA NEX NASA が保守管理する地球の科学的データセットのコレクション。気候変化 予測や地表の衛星画像などが含まれる TCGA がんゲノムアトラス (TCGA) からの未処理および処理済みのゲノム、トランスクリ プトミクス、およびエピゲノミクスのデータで、がんゲノムクラウドを介して認定された 研究者のみが利用可能 マルチメディアコモンズ オーディオビジュアル機能と注釈を備えた 1 億近い画像と動画のコレクション Japan Census Data 日本の国勢調査、事業所･企業統計調査、経済センサス ※ 上記は一部の例。詳しくは: https://aws.amazon.com/jp/public-datasets
- 36. 36 パブリックデータセットの利用例 SpaceNet を NVIDIA DIGITS で解析 SpaceNet は NVIDIA もその立ち上げにかかわった オンライン衛星画像リポジトリです ディープラーニングフレームワークの Web フロントエンド である NVIDIA DIGITS で DetectNet というオブジェ クト検出ネットワークを使って、 SpaceNet の画像か ら建物を検出する方法を、 PARALLEL FORALL ブログで解説しています https://devblogs.nvidia.com/parallelforall/exploring-spacenet-dataset-using-digits/ NVIDIA DIGITS による物体検出 “Exploring the SpaceNet Dataset Using DIGITS”
- 37. 37 GTC 2017 で発表 ● EC2 が Tesla V100 をサポート Tesla V100 が EC2 にやってきます。 5120 個の CUDA コアによる高い浮動小数点演算性能に加え、新たに 640 個の “Tensor コア" を加えることでディープラーニングのトレーニング性能を飛躍的に高めた Tesla V100 をクラウドで手 軽に利用できることは、機械学習に関わる研究者やエンジニアにとって大きなメリットとなるでしょう。 ● Deep Learning Institute を共同で推進 エヌビディアは、ディープラーニングに関わる技術者の育成を推進するため、 "Deep Learning Institute (DLI)" という取り組みを行っています。中でもクラウドベースのハンズオントレーニングは特に 人気のあるコースです。DLI ハンズオンの基盤として、世界中にデータセンター群を展開する AWS は 最適なプラットフォームです。 AWS と NVIDIA のさらなる協業
- 38. 38 NVIDIA と Microsoft の協業 Cognitive Toolkit (旧称: CNTK) を Azure と DGX-1 の双方に最適化 NVIDIA Tesla GPU NVIDIA DGX-1 Azure Data Center NVIDIA GPUDL Toolkit
- 39. 39 名称 CPU コア数 メモリ GPU RDMA NV6 6 56 GB Tesla M60 半分 (GPU 1基) NV12 12 112 GB Tesla M60 1枚 (GPU 2基) NV24 24 224 GB Tesla M60 2枚 (GPU 4基) NC6 6 56 GB Tesla K80 半分 (GPU 1基) NC12 12 112 GB Tesla K80 1枚 (GPU 2基) NC24 24 224 GB Tesla K80 2枚 (GPU 4基) NC24r 24 224 GB Tesla K80 2枚 (GPU 4基) InfiniBand Microsoft Azure N シリーズ GPU インスタンス 2 種類の NVIDIA GPUを搭載
- 40. 40 GTC 2017 で新たな GPU インスタンスを発表 Pascal 世代 GPU を搭載する新型が登場 名称 CPUコア数 メモリ GPU RDMA NC6s_v2 6 112 GB Tesla P100 x 1 - NC12s_v2 12 224 GB Tesla P100 x 2 - NC24s_v2 24 448 GB Tesla P100 x 4 - NC24rs_v2 24 448 GB Tesla P100 x 4 InfiniBand ND6s 6 112 GB Tesla P40 x 1 - ND12s 12 224 GB Tesla P40 x 2 - ND24s 24 448 GB Tesla P40 x 4 - ND24rs 24 448 GB Tesla P40 x 4 InfiniBand
- 42. 42 エヌビディア DIGITS GPU で高速化されたディープラーニングトレーニング・システム Test Image 学習過程の可視化モデルの作成学習データの作成 モデルのテスト http://developer.nvidia.com/digits
- 43. 43 IBM Bluemix Infrastructure GPU 搭載のベアメタルサーバーを月単位 / 時間単位で GPU 種別 GPU メモリ (GB) CUDA コア数 CPU CPU コア数 メモリ (GB) ディスク Tesla K80 24 4,992 2 x E5-2620 v3 12 64 1TB SATA2 x E5-2650 v3 20 2 x E5-2690 v3 24 2 x E5-2620 v4 16 128 2x 800GB SSD Tesla M60 16 4,096 2 x E5-2620 v3 12 64 1TB SATA2 x E5-2650 v3 20 2 x E5-2690 v3 24 Hourly ※ この他、 GRID K2 と Tesla K10 が選択可能
- 44. 44 Google Cloud Platform Google の IaaS に Tesla K80 と P100 が登場 Tesla K80 と Tesla P100 を利用可能 様々なインスタンスに GPU をアタッチ可能 分単位の課金で効率的に利用 プレビュー提供中 GCP の GPU
- 46. 46 NVIDIA DGX-1 を 124 ノード ノードあたり 8 基、全体で 992 基の NVIDIA Tesla P100 GPU NVLINK キューブメッシュ 2 基の Intel Xeon 20 コア CPU 512TB DDR4 システムメモリ SSD – 7 TB スクラッチ領域 + 0.5 TB システム領域 Mellanox 36 ポート EDR L1, L2 スイッチ ノード毎に 4 ポート Partial Fat tree トポロジ Ubuntu 14.04, CUDA 8, OpenMPI 1.10.3 NVIDIA GPU BLAS + Intel MKL (NVIDIA GPU HPL) NVIDIA DGX SATURNV Green500 で首位を獲得した（2016年11月）スーパーコンピューター nvidia.com/dgx1
- 47. 47 世界初の GPU スパコン - TSUBAME 1.2 2008 年 11 月の TOP500 で 29 位にランクイン NVIDIA Tesla S1070 搭載 実効性能 77.5 TFLOPS
- 48. 32nm 40nm >400GB/s Mem BW 80Gbps NW BW ~1KW max >1.6TB/s Mem BW >12TB/s Mem BW 35KW Max >600TB/s Mem BW 220Tbps NW Bisecion BW 1.4MW Max TSUBAME2.0 2010年11月1日稼働開始 世界最小のペタフロップス・省電力スパコン 各種基礎研究がベース メーカーと新規共同開発 • 大規模なGPU採用による高性能と低電力の両立 • 最小の設置面積(200m2程度)、高いコストパフォーマンス • 高性能にマッチした光ネットワーク、SSDストレージ
- 49. TSUBAME2.0⇒2.5 計算ノードの進化(2013/9) • 全 4224GPU を最新のKepler GPUに ほぼ運用中断なく交換 • 幾つかの技術上・運用上の問題を メーカーと共同で克服 • 低コスト・短期間でマシンの能力を2-3 倍に向上に成功 NVIDIA Fermi M2050 1039/515GFlops 3GBメモリ NVIDIA Kepler K20X 3950/1310GFlops 6GBメモリ
- 50. TSUBAME-KFC: ウルトラグリーン・スパコン研究設備 （文部科学省概算要求・2011-2015・約2億円) 高温冷却系 冷媒油 35~45℃ ⇒ 水 25~35℃ (TSUBAME2は7~17℃) 冷却塔： 水 25~35℃ ⇒ 自然大気へ 液浸冷却＋高温大気冷却＋高密度実装＋電力制御のスパコン技術を統合 TSUBAME3.0のプロトタイプ コンテナ型研究設備 20フィートコンテナ(16m2) 無人自動制御運転 将来はエネルギー回収も 高密度実装・油浸冷却 210TFlops (倍精度) 630TFlops (単精度) 1ラック 2013年11月/2014年6月 Green500ランキング 世界一位(日本初) 2015アップグレード 500TFlops (倍精度) 機械学習等1.5PFlops (単精度) 世界最高性能密度 (やはり1ラック=>7ラックで京相当)
- 51. 51 TSUBAME 3.0 のシステム概要 フルバイセクションバンド幅の インテル® Omni-Path® 光ネットワーク 432 Terabits/秒 双方向 全インターネット平均通信量の2倍 DDNのストレージシステム （並列FS 15.9PB+ Home 45TB） 540 の計算ノード SGI ICE® XA インテル®Xeon® CPU×２＋NVIDIA Tesla P100 GPU×４ 256GB メモリ、２TB の NVMe 対応インテル®SSD 47.2 AI ペタフロップス, 倍精度: 12.1 ペタフロップス 2017 年 8 月本稼働
- 52. CPU 0 PLX GPU 0 OPA HFI OPA HFI DIMM DIMM DIMM DIMM GPU 1 CPU 1 DIMM DIMM DIMM DIMM PLX OPA HFI GPU 2 GPU 3 OPA HFI PCH SSD QPI NVLink x16 PCIe x16 PCIe x16 PCIe x16 PCIe x16 PCIe x16 PCIe x16 PCIe x16 PCIe x16 PCIe x16 PCIe x4 PCIe DMI CPU 0 PLX GPU 0 OPA HFI OPA HFI DIMM DIMM DIMM DIMM GPU 1 CPU 1 DIMM DIMM DIMM DIMM PLX OPA HFI GPU 2 GPU 3 OPA HFI PCH SSD QPI NVLink x16 PCIe x16 PCIe x16 PCIe x16 PCIe x16 PCIe x16 PCIe x16 PCIe x16 PCIe x16 PCIe x16 PCIe x4 PCIe DMI TSUBAME3.0 計算ノードは SGI 社と東工大 GSIC の共同設計による TSUBAME3.0 用新設計 計算ノードの接続構成 x9 SGI ICE XA （製品の範囲） 相互結合網の上位（スパイン）スイッチ：フルバイセクション 432 Terabit/s 双方向 Intel OmniPath 計算ノード 計算ノード x60セット （合計 540ノード） x60ペア （合計 120スイッチ） 相互結合網の範囲 18ポート使用 18ポート使用 18ポート使用 18ポート使用 超高性能な”Fat Node”構成(TSUBAMEの伝統) • 4 SXM2(NVLink) NVIDIA Pascal P100 GPU • 高ネットワークバンド幅 – Intel Omnipath ネット ワーク 100GBps x 4 = 400Gbps • 高 I/O バンド幅- Intel 2 TeraByte NVMe • システム合計容量1ペタバイト以上、 2Terabyte/秒の合算バンド幅 • 高密度・高温水冷ブレード – 1ラックあたり 36 ブ レード = 144 GPU + 72 CPU、50-60KW • 一般データセンターの10-20倍 CPU 0 PLX GPU 0 OPA HFI OPA HFI DIMM DIMM DIMM DIMM GPU 1 CPU 1 DIMM DIMM DIMM DIMM PLX OPA HFI GPU 2 GPU 3 OPA HFI PCH SSD QPI NVLink x16 PCIe x16 PCIe x16 PCIe x16 PCIe x16 PCIe x16 PCIe x16 PCIe x16 PCIe x16 PCIe x16 PCIe x4 PCIe DMI
- 53. TSUBAME3.0 冷却システム系統図 32℃の自然大気冷却水による高効率高温冷却 計算ノード （SGI ICE XA system） I/O , File system 自然大気 水冷冷却塔 Air conditioner 周辺機器用チラー 分岐ヘッダー 【１F-屋外】 【B１F】 【RF】 【１F-１１４室】【１F-１１４室】 分岐ヘッダー 【EPS】 分岐ヘッダー 分岐ヘッダー 空冷冷却 (22℃) システム発熱量10～15% + 環境潜熱 水冷冷却 (往き：約14℃) 水冷冷却 (還り：約21℃) 水冷冷却 (往き：約32℃) 水冷冷却 (還り：約40℃) 熱交換機 冷却補助回路(200kW) 水冷冷却 (往き：約14℃)水冷冷却 (還り：約21℃) 水冷冷却 (還り：約40℃) 水冷冷却 (往き：約32℃) ※RF or B1F設置
- 54. TSUBAME3.0 世界トップクラスの冷却効率 TSUBAME 3.0 PUE 予測 (900KW消費仮定) 2013 ~ 2015 年の天候データを元に計算 1月 2月 3月 4月 5月 6月 7月 8月 9月 10月 11月 12月 年間 平均 冷却設備 平均消費電力 [ｋW] 28.83 28.83 28.83 28.83 29.21 30.06 30.06 32.00 30.06 29.21 28.83 28.83 29.465 PUE 1.032 1.032 1.032 1.032 1.032 1.033 1.033 1.036 1.033 1.032 1.032 1.032 1.033 PUEは冷却のオーバーヘッドを表す。1.0に近いほど良い PUE = ｛（計算ノードの消費電力）＋（計算ノードの冷却に必要なすべての設備消費電力）｝ ／ （計算ノードの消費電力） • 通常のデータセンター：PUE = 2～3 (冷却の方がマシンより電気を食っている) • 最新の空冷データセンター、TSUBAME1：PUE = 1.4～1.6 • TSUBAME2.0：PUE = 1.28 • TSUBAME-KFC：PUE = 1.09 TSUBAME3.0の計算ノードの年間PUE平均値は『1.033』 世界トップクラス
- 55. 55 Green500 リストの上位を Tesla P100 搭載システムが独占 2017年6月版 TOP/Green500 NVIDIA 関連情報のまとめ 日本版#ISC17 フランクフルトにて開催中の ISC 2017 で 2017 年6月版の TOP500/Green500 リストが発表さ れました。昨年11月の Green500 リストでは、 Tesla P100 搭載の NVIDIA DGX SATURNV と CSCS Piz Daint が1,2位を獲得し、Tesla P100 の高い電力性能比を印象づけましたが、今回 は Tesla P100 搭載システムがさらに躍進。1~4 位を日本の P100 システムが占めるという 記念すべき回になりました。 全体としては 20 システムが Tesla P100 を搭載。その多くが Green500 の上位にランクし、1位 から 16 位までのうち、実に 14 システムが Tesla P100 搭載システムという結果になりました。 https://www.top500.org/green500/lists/2017/06/ NEWS 東工大 TSUBAME 3.0 と産総研 AAIC が Green500 で 1, 3 位を獲得 東京工業大学の TSUBAME 3.0 は今年8月の本稼働に向け構築中ですが、フル構成の1/4の 状態で今回の TOP/Green500 計測に挑み、1.998 PFlops で TOP500 の 61 位にランクイン。 そして電力性能比 14.11 GFlops/W を記録して見事 Green500 の首位を獲得しました。 外気に近い温度の冷却水を用いて効率良く冷却を行い、PUE=1.033 を目指すその省エネ 性能が存分に発揮されたといえるでしょう。 http://www.titech.ac.jp/news/2017/038640.html 産総研 AAIC (Aist AI Cloud) は、産総研人工知能研究センター (AIRC) で 2017 年 4 月に 稼働を開始したシステムで、TOP500 の 148 位 (961 TFlops)、そして 12.68 GFlops/W で Green500 の3位を獲得しました。 これら2システムの Green500 チャレンジは、産総研・東工大の研究協力による成果です。 http://www.aist.go.jp/aist_j/press_release/pr2017/pr20170619/pr20170619.html v1.2 bit.ly/isc17nv
- 56. 56 # システム名称 所属 GFlops/W 1 TSUBAME 3.0 東京工業大学 14.11 2 kukai（クウカイ） Yahoo! JAPAN 14.05 3 AIST AI Cloud 産業技術総合研究所 12.68 4 RAIDEN GPU subsystem 理化学研究所 10.60 5 Wilkes-2 University of Cambridge 10.43 6 Piz Daint Swiss National Supercomputing Centre (CSCS) 10.40 8 Research Computation Facility for GOSAT-2 (RCF2) 国立環境研究所 9.80 9 NVIDIA DGX-1/Relion 2904GT Facebook 9.46 10 DGX SATURNV NVIDIA 9.46 11 Reedbush-H 東京大学 8.58 12 JADE University of Oxford 8.43 13 Cedar Simon Fraser University/Compute Canada 8.01 14 DAVIDE E4 Computer Engineering 7.72 16 Hōkūle’a Maui High-Performance Computing Center (MHPCC) 6.67 Green500 1~16位の Tesla P100 搭載システム（太字は日本のシステム）
- 57. 57 エクサスケールへの道 米国最大のスーパーコンピューターが Volta アーキテクチャの GPU を採用 TeslaP100との比較 Volta の HPC アプリケーションパフォーマンス System Config Info: 2X Xeon E5-2690 v4, 2.6GHz, w/ 1X Tesla P100 or V100. V100 measured on pre-production hardware. Summit Supercomputer 200+ PetaFlops ~3,400 Nodes 10 Megawatts
- 59. 59 JETSON による EDGE の AI 化の実現 インフラ点検捜索、レスキュー 配送測量エンタープライズ コラボレーション AI シティ パーソナルアシスト サービスロボット ポータブルメディカル 学術＆研究
- 60. 60 VIDEO: Jetson
- 61. 61 自動運転
- 62. 62 NVIDIA DRIVE — AI カープラットフォーム コンピュータビジョンライブラリ OS 認識 AI CUDA、cuDNN、TensorRT 自己位置推定 パスプランニング 1 TOPS 10 TOPS 100 TOPS DRIVE PX 2 Parker Level 2/3 DRIVE PX Xavier Level 4/5
- 63. 63 VIDEO: BB8
- 64. 64 認識 DNN のサンプル 複数のディープ ニューラル ネットワーク DriveNet LaneNet OpenRoadNet 車線の検出 多クラス分類: 乗用車、トラック、歩行者、 二輪車、信号や標識 走行可能空間の検出
- 68. 68 Volvo と Autoliv も NVIDIA DRIVE PX を選択 自動運転車を 2021 年に市場投入
- 69. 69 CONNECT NVIDIA をはじめ日本中から 集まる GPU の専門家と交流 LEARN 数多くの技術セッションとポスター 展示、大規模なハンズオンラボ で学びを深める DISCOVER A I や 自 動 運 転 と い っ た 重 要 な 領域でのブレークスルーに GPU が 果たしている様々な役割を発見 INNOVATE 新進気鋭のスタートアップによる 破壊的イノベーシ ョンに 注目 世界最大の GPU 技術イベントにぜひご参加ください GTC Japan 2017 は 2017年12月12 ~ 13日に東京で開催 2017/12/12~13 | 東京 | #GTC17 http://www.gputechconf.jp/