GPU と PYTHON と、それから最近の NVIDIA
•
0 gefällt mir•2,398 views
2022 年 1 月 27 日 (木)、「みんなの PYTHON 勉強会 #77」が開催されました。そこでの NVIDIA 山崎による講演「GPU とPYTHON と、それから最近の NVIDIA」の資料を共有いたします。 [講演者] 山崎 和博 エヌビディア合同会社 ディープラーニング ソリューションアーキテクト
Empfohlen
Weitere ähnliche Inhalte
Was ist angesagt?
Was ist angesagt? (20)
Ähnlich wie GPU と PYTHON と、それから最近の NVIDIA
Ähnlich wie GPU と PYTHON と、それから最近の NVIDIA (20)
Mehr von NVIDIA Japan
Mehr von NVIDIA Japan (20)
GPU と PYTHON と、それから最近の NVIDIA
- 1. みんなの PYTHON 勉強会#77 GPU と PYTHON と、それから最近の NVIDIA KAZUHIRO YAMASAKI, DEEP LEARNING SOLUTION ARCHITECT, 2022/01/27
- 2. “NVIDIA REINVENTS ITSELF EVERY SINGLE YEAR. WE ARE GOING TO CALL NVIDIA ‘THE GOAT,’ THAT IS, THE GREATEST OF ALL TIME.” MAD MONEY NVIDIA pioneered accelerated computing to tackle challenges ordinary computers cannot. We make computers for the da Vincis and Einsteins of our time so that they can see and create the future.
- 3. CUDA: NVIDIA’S COMPUTING PLATFORM 様々なユースケース AI Training & Inference Speech Visual Search Video Analysis Robotics Gaming Science Media & Entertainment http://developer.nvidia.com/cuda-downloads
- 5. FYI: SEMANTIC IMAGE SYNTHESIS WITH SPADE (AKA GAUGAN) NVIDIA Canvas のもとになった研究 https://arxiv.org/abs/1903.07291 / https://github.com/NVlabs/SPADE
- 6. NVIDIA IS A FULL STACK COMPUTING PLATFORM 多くのイノベーションと NVIDIA エコシステムの拡大 30M CUDA Downloads 2,500 GPU-Accelerated Applications 9,000 AI Startups AI DRIVE METRO ISAAC CLARA RAPIDS AERIAL 5G RTX HPC MAGNUM IO CUDA CUDA-X-AI 3M Developers 150 SDKs COMPLETE SOFTWARE STACK GROWING ECOSYSTEM 1B CUDA GPUs CHIPS SYSTEMS SDK & ENGINES APPLICATIONS ECOSYSTEM FULL STACK INNOVATION 65 updates from last GTC
- 8. GPU による高速化 アプリケーション + GPU CPU Small % of Code Large % of Time 計算の重い処理 残りのシーケンシャルな処理
- 9. PYTHON から CUDA を叩く場合の典型的な構造 Cython 経由で CUDA C/C++ が呼び出される CUDA Each library Python Interface GPU Cython Each library C/C++ CUDA libraries JIT/NVRTC
- 10. PYTHON から GPU を利用するには さまざまな階層のライブラリ • CUDA の公式 low-level binding github.com/NVIDIA/cuda-python CUDA Python • GPU 向け NumPy 互換 API github.com/cupy/cupy CuPy • 大規模にスケールする目的の NumPy 互換 API developer.nvidia.com/cunumeric cuNumeric • 主にディープラーニング用の API • 拡張ツールなどが豊富 github.com/tensorflow/tensorflow github.com/pytorch/pytorch Deep Learning frameworks (TensorFlow/PyTorch/etc) • GPU 版 pandas / sklearn / NetworkX / etc といったライブラリ群 rapids.ai RAPIDS • 大規模テーブルデータ向けの特徴量 エンジニアリング＆前処理ライブラリ developer.nvidia.com/nvidia-merlin NVTabular など。他にも多数のライブラリなどが存在。
- 11. AI INFERENCE IS HARD AI INFERENCE MODELS FRAMEWORKS MIDDLEWARE PROCESSORS Real Time V100 GPU x86 CPU A30 GPU A100 GPU Arm CPU Cloud Batch Streaming APP CONSTRAINTS DEPLOYMENT Data Center Embedded Edge Azure Machine Learning Google Vertex AI Amazon SageMaker CNNs TRANSFORMERS RNNs GNN DECISION TREES
- 12. NVIDIA TensorRT プロダクション用にニューラルネットワークを最適化し、デプロイする。 コンパイラとランタイムを用いて、latency-critical なアプリのスループットを最大化。 CNN をはじめとして、RNN や Transformer を含むすべてのネットワークを最適化。 1. 混合精度や低精度演算: FP32, TF32, FP16, および INT8 2. レイヤー / テンソルフュージョン: GPU メモリ帯域の最適化 3. カーネルの自動チューニング: 対象 GPU ごとに最適なアルゴリズムを選択 4. 動的テンソルメモリ: メモリ効率の良いアプリのデプロイ 5. マルチストリーム実行: 複数ストリームでの利用を想定した、スケール可能な設計 6. タイムフュージョン: 時系列方向に対する RNN の最適化 ハイパフォーマンスなディープラーニングの推論用 SDK https://developer.nvidia.com/tensorrt TensorRT Optimizer TensorRT Runtime Trained DNN Embedded Automotive Data Center Jetson Drive Data Center GPUs
- 13. フレームワークとの統合 TensorRT で、ネイティブ フレームワークの推論をスピードアップ 一行のコードで推論を高速化 ▪ フレームワークをただ GPU 上で実行する場合と比べ、最大 6 倍高速 ▪ クラウドからエッジまで、すべてのプラットフォームでの実行を最適化 ▪ CNNs, RNNs, および Transformers ▪ FP32, FP16, INT8. 設定済みのコンテナイメージは、NVIDIA NGC カタログから利用可能: ngc.nvidia.com Torch-TensorRT & TensorFlow-TensorRT
- 14. ▪ フォールバックすることによって 任意のモデル をサポート ▪ TensorRT のサブグラフには TensorRT の すべての最適化 が適用される ▪ PTQ & QAT による、TF32、FP16、INT8 での実行 ▪ 統合による出力は ネイティブフォーマット: TorchScript & SavedModel ▪ 既存のワークフロー への変更は不要 TensorRT Engine Hybrid Module Framework & TensorRT Execution TorchScript SavedModel OR フレームワークとの統合 フォールバック、および特徴
- 15. TORCH-TensorRT Torch-TensorRT に nn.Module を渡す 必要に応じて引数を設定 C++ APIs も利用可能 TorchScript での利用も可能 Python QuickStart import torch import torch_tensorrt as torchtrt # SET trained model to evaluation mode model = model.eval() # COMPILE TRT module using Torch-TensorRT trt_module = torchtrt.compile(model, inputs=[example_input] enabled_precisions={torch.half}) # RUN optimized inference with Torch-TensorRT trt_module(x)
- 16. import tensorflow as tf from tf.python.compiler.tensorrt import trt_convert as tftrt # COMPILE TRT module using TensorFlow-TensorRT trt_module = tftrt.TrtGraphConverterV2(saved_model_pth).convert() # RUN optimized inference with TensorFlow-TensorRT trt_module(x) TENSORFLOW-TensorRT TensorFlow-TensorRT に SavedModel を渡す 必要に応じて引数を設定 C++ APIs も利用可能 Python QuickStart
- 18. TRITON: モダンなデータセンターにおけるコンピュートエンジン 数百万のアプリケーション | 数十億のユーザ | 数兆のクエリ Batching & Scheduling Real time | Batch | Stateful Stream | Ensemble Multiple Framework Backends Custom C++, Python Triton 上で動作する マイクロサービス Triton Inference Server NLP Recommender Image Classify TTS Image segment ASR マイクロサービスベースの アプリケーション App App App … すべてのプロセッサに対する 最適化 クエリとレスポンス X86 CPU V100 GPU A100 MIG A30 GPU A100 GPU ARM CPU
- 19. TRITON INFERENCE SERVER スケーラブルでシンプルな推論サービング オープンソース ソフトウェア Kubernetes, Prometheus Metrics 標準的な HTTP/gRPC Or C API (クライアント アプリケーションへの 直接組み込み) CPU Dynamic Batching (リアルタイム、バッチ、 ストリーム) モデルごとの スケジューラー キュー … 柔軟なモデルロード (全体一括、選択的) 複数の GPU & CPU バックエンド Custom Backends Utilization, Throughput, Latency Metrics GPU モデル リポジトリ Query Result 複数の クライアント アプリケーション Python/C++ Client Library Query Result Python/C++ Client Library Query Result Python/C++ Client Library 多くの アクティブ なモデル 月次アップデートは、docker コンテナ形式で GitHub と NGC から入手できます
- 20. TRITON INFERENCE SERVER の使い方 models/ └── resnet ├── 1 │ └── model.savedmodel │ ├── saved_model.pb │ └── variables │ ├── variables.data-00000-of-00001 │ └── variables.index └── config.pbtxt : 規定に従いモデルを配置、 設定を記述し、 $ docker run --gpus=all --rm -p8000:8000 -p8001:8001 -p8002:8002 -v ./models:/models nvcr.io/nvidia/tritonserver:21.11-py3 tritonserver --model-repository=/models ... I1207 06:26:28.710564 1 grpc_server.cc:3979] Started GRPCInferenceService at 0.0.0.0:8001 I1207 06:26:28.710986 1 http_server.cc:2717] Started HTTPService at 0.0.0.0:8000 I1207 06:26:28.753317 1 http_server.cc:2736] Started Metrics Service at 0.0.0.0:8002 コンテナを起動 https://github.com/triton-inference-server/server/
- 21. TRITON INFERENCE SERVER の使い方 https://github.com/triton-inference-server/client クライアント側の API (例): https://github.com/triton-inference-server/python_backend Python バックエンドの API: :
- 22. AI により実現されるエンタープライズ トランスフォーメーション エンドツーエンドのアプリケーション フレームワーク デスクトップ環境 スーパーコンピューター GPU アクセラレーテッド クラウド データセンター ソリューション アクセラレーテッド エッジ Riva 対話型 AI Metropolis スマートシティ Clara ヘルスケア Isaac ロボティクス Drive 自動運転 Aerial テレコム Merlin 推薦システム サイバー セキュリティ Morpheus NeMo 大規模 言語モデル
- 23. ▪ DL ベースの会話＆言語理解モデル ▪ Correct-by-Construction アーキテクチャのための、セマンティクス チェックを含む ▪ 複数言語をサポート: ▪ 8 for ASR ▪ 5 for NLU ▪ オープンソース ▪ PyTorch および PyTorch Lightning との統合 ▪ 使いやすい API ▪ 最適化された学習パフォーマンス ▪ GPU に最適化された 100 以上の学習済みチェックポイント ▪ 1000 GPU クラスにスケール可能 https://ngc.nvidia.com/catalog/containers/nvidia:nemo https://github.com/NVIDIA/NeMo NOTE: ASR – Automatic Speech Recognition | NLU – Natural Language Understanding 最先端の対話モデルを作成するためのツールキット NVIDIA NEMO
- 24. World Record Accuracy 2.96% Gap on Gehring and Homberger Scalable to 1,000s of Locations 3 Seconds vs 5 Minutes to Route 1,000 Packages ANNOUNCING NVIDIA REOPT Re-Optimize Logistics and Supply Chain in Real-Time Accelerated Solver for Vehicle Route, Warehouse Picking, Fleet-Mix Optimization Massively Parallel Algorithm Generates Thousands of Solution Candidates and Refinements Dynamic Rerouting Reduces Travel Time, Saving Billions for a $10 Trillion Logistics Industry Available Now nvidia.com/reopt
- 25. NVIDIA REOPT Early access 募集中 https://developer.nvidia.com/reopt-logistics-optimization
- 26. FYI: DOMINO’S SESSION AT GTC “Vehicle Routing at Domino’s: Exploring a GPU-Enabled Approach” [A31074] https://www.nvidia.com/ja-jp/on-demand/session/gtcfall21-a31074/
- 27. Materials Physics AI Path-Tracing USD Engineers, Designers, Creators Simulation Technologies Portal RTX Rendering NVIDIA OMNIVERSE 仮想世界を作成、接続するためのシミュレーション プラットフォーム https://www.nvidia.com/ja-jp/omniverse/creators/ | https://www.nvidia.com/ja-jp/omniverse/
- 29. 最先端のアプリケーション Core Omniverse Apps FOR 3D DEEP LEARNING RESEARCHERS FOR DESIGNERS, CREATORS, ENGINEERS FOR GAME DEVELOPERS, ANIMATORS FOR RTX CREATORS FOR REVIEWERS, PROJECT MANAGERS FOR ROBOTICISTS
- 30. OMNIVERSE AUDIO2FACE › Powered by NVIDIA AI › 容易に利用できる、リアルで自然な表情の自動生成 › 声質、性別や言語間の変換 › 会話や歌の音声を利用 › 推奨スペック: GeForce RTX 3070, NVIDIA RTX A4000 or higher AI による音声からの表情生成
- 31. Omniverse Kaolin App NVIDIA KAOLIN 3D を加速するディープラーニング研究のためのツールキット https://developer.nvidia.com/nvidia-kaolin | https://github.com/NVIDIAGameWorks/kaolin Render Synthetic Data Visualize Model Training Inspect 3D Datasets Kaolin Library Modular Differentiable Renderer 3D Data Loading GPU Optimized 3D Operations 3D Checkpoints
- 33. まとめ ▪ハードウェアの性能を最大限に引き出すため、様々なソフトウェアをリリース ▪Python 向けの API 整備も並行して進行中 ▪GPU を利用しやすい環境を整えることにより、グラフィックスやディープラーニングなど、複数の技 術を活用したアプリケーションの登場が期待される
- 34. 宣伝: 今年の GTC は 3/21 からスタートです 参加登録はコチラ↓から http://www.nvidia.com/ja-jp/gtc/?ncid=GTC-NVKYAMASAKI