Empfohlen
Empfohlen
Weitere ähnliche Inhalte
Was ist angesagt?
Was ist angesagt? (20)
Ähnlich wie GPUディープラーニング最新情報
Ähnlich wie GPUディープラーニング最新情報 (20)
Mehr von ReNom User Group
Mehr von ReNom User Group (20)
GPUディープラーニング最新情報
- 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 2018 会計年度売上高 97 億ドル 時価総額 1490 億ドル（約 15.8 兆円）
- 3. 3 GPU コンピューティングの登場 370 PF 20182013 トップ 50 システムにおける 総 GPU フロップス 5 年で 15 倍 1980 1990 2000 2010 2020 40 年の CPU 性能のトレンドデータ Original data up to the year 2010 collected and plotted by M. Horowitz, F. Labonte, O. Shacham, K. Olukotun, L. Hammond, and C. Batten New plot and data collected for 2010-2015 by K. Rupp 103 105 107 年率 1.5 倍 年率 1.1 倍 シングル スレッド性能 GPU コンピューティング 8,500 20182013 800 万回 20182013 820,000 20182013 GTC 登録者 5 年で 4 倍 CUDA ダウンロード数 5 年で 5 倍 GPU コンピューティング 開発者 5 年で 10 倍
- 5. 5 GPU コンピューティング 11年の歩み 2010 Fermi: 世界初の HPC 用 GPU 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 2014 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 Google が ImageNet で 人間を超える 2012 H1N1 の異変の 仕組みを解明 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 2008 世界初の GPU Top500 システム 2006 CUDA 発表 GPU を利用した AlexNet が圧勝 Green500 の 上位 13 システムが NVIDIA GPUを利用 2017
- 7. 7 家族が安心して 見られる動画を配信 JD.com では、1000 チャンネルのライブストリー ミングフル HD ビデオを解析してフィルタリングする ために、 Tesla P40 GPU と DeepStream SDK 及び TensorRT を利用。1サーバーあたり 20 本 のビデオを同時に処理。 `
- 8. 8 “GPU を使用することで CPU に比べ物体認識が 48 倍速くなった” -Saverio Murgia, Horus CEO and co-founder
- 10. 10
- 11. 11 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
- 12. 12 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
- 14. 14 NVIDIA GPU 製品のおおまかな一覧 Kepler (2012) Maxwell (2014) Pascal (2016) Volta (2017) GeForceゲーミング Quadro プロフェッショナル グラフィックス M40 M6000K6000 GTX 980 GTX 780 HPC 用 GRID 用 K80 DL 用 M60 GP100P5000 K2 K1 GTX 1080 TITAN X V100データセンタ & クラウド Tesla P40 P100 P6 TITAN V Fermi (2010) M2070 6000 GTX 580 P4
- 15. 15 NVIDIA 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 125 Tensor TFLOPS 総レジスタファイル 20MB | 16MB キャッシュ 900 GB/s の 32 GB HBM2 300 GB/s NVLink
- 16. 16 P100 V100 性能UP トレーニング性能 10 TOPS 125 TOPS 12x インファレンス性能 21 TFLOPS 125 TOPS 6x FP64/FP32 5/10 TFLOPS 7.8/15.6 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 キャッシュ 4 MB 6 MB 1.5x L1 キャッシュ 1.3 MB 10 MB 7.7x GPU ピーク性能比較: P100 vs v100
- 17. 17 Tensor コア 混合精度行列計算ユニット D = AB + C D = FP16 or FP32 FP16 FP16 FP16 or FP32 A0,0 A0,1 A0,2 A0,3 A1,0 A1,1 A1,2 A1,3 A2,0 A2,1 A2,2 A2,3 A3,0 A3,1 A3,2 A3,3 B0,0 B0,1 B0,2 B0,3 B1,0 B1,1 B1,2 B1,3 B2,0 B2,1 B2,2 B2,3 B3,0 B3,1 B3,2 B3,3 C0,0 C0,1 C0,2 C0,3 C1,0 C1,1 C1,2 C1,3 C2,0 C2,1 C2,2 C2,3 C3,0 C3,1 C3,2 C3,3 4x4の行列の積和演算を1サイクルで計算する性能 (128演算/サイクル) 行列のFMA (Fused Multiply-Add)
- 18. 18 CUDNN: TENSORコアの実効性能 Pascal FP32 vs. V100 Tensorコア Convolution層 の性能比較
- 19. 19 TENSORコアの使い方 Volta向けに最適化された フレームワーク・ライブラリ __device__ void tensor_op_16_16_16( float *d, half *a, half *b, float *c) { wmma::fragment<matrix_a, …> Amat; wmma::fragment<matrix_b, …> Bmat; wmma::fragment<matrix_c, …> Cmat; wmma::load_matrix_sync(Amat, a, 16); wmma::load_matrix_sync(Bmat, b, 16); wmma::fill_fragment(Cmat, 0.0f); wmma::mma_sync(Cmat, Amat, Bmat, Cmat); wmma::store_matrix_sync(d, Cmat, 16, wmma::row_major); } CUDA C++ Warpレベル行列演算テンプレート NVIDIA cuBLAS, cuDNN, TensorRT
- 21. 21 NVIDIA CAFFE 0.16 FP16、Tensorコアに完全対応 ForwardとBackward: それぞれ、データ型、計算型を指定可能 (FP32 or FP16) ウェイト更新: FP32更新対応 ロス・スケーリング対応 https://github.com/NVIDIA/caffe/tree/caffe-0.16
- 22. 22 TensorFlow Tensorコア: TensorFlow 1.4で対応 データ型をFP16にすると、Tensorコアを使用 ウェイトFP32更新: 可能 ロススケーリング: 可能 tf.cast(tf.get_variable(..., dtype=tf.float32), tf.float16) scale = 128 grads = [grad / scale for grad in tf.gradients(loss * scale, params)]
- 23. 23 PyTorch Tensorコア: 対応 FP16ストレージにすると、Tensorコアを使用 ウェイトFP32更新: 可能 ロススケーリング: 可能 Input = input.cuda().half() model = model.cuda().half()
- 24. 24 Chainer Tensorコア: Chainer V4で対応予定 データ型をFP16にすると、Tensorコア使用 FP32パラメータ更新: 対応 ロススケーリング: 対応(予定) x = F.cast(x, np.float16) optimizer = chinaer.optimizers.SGD() optimizer.use_fp32_update() loss = lossfunc(y, t) loss.backward(loss_scale=1024)
- 25. 25 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
- 26. 26 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
- 27. 27 発表 NVIDIA DGX-2 価格 39万 9000 ドル | 第三四半期出荷開始予定
- 28. 28 発表 NVIDIA DGX-2 史上最大の GPU 2 ペタフロップス | 512GB HBM2 メモリ | 消費電力 10 キロワット | 重量 160 キログラム
- 29. 29 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 | すでに利用可能 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
- 30. 30 NGC の GPU 最適化ディープラーニング コンテナ NVCaffe Caffe2 Chainer Microsoft Cognitive Toolkit (CNTK) DIGITS MXNet PyTorch ディープラーニングソフトウェアの包括的なカタログ TensorFlow Theano Torch CUDA (base level container for developers) NEW! – NVIDIA TensorRT inference accelerator with ONNX support
- 31. 31 コンテナをPULLイメージをデプロイサインアップ NGCでディープラーニングを始めるには まずは NGC のアカウントを 作成してください。 www.nvidia.com/ngcsignup お好みのフレームワーク コンテナを PULLしてください。 これで準備完了です！ 例えば AWS の NVIDIA Volta Deep Learning AMI for NGCで P3 インスタンスを作成！
- 32. 32 自動運転
- 33. 33 自動運転による移動革命
- 34. 34 AI UX Co-Pilot Eye/Head Gesture Driver Monitor Speech パーキング プランニング 自己位置推定 認識 エゴモーション NVIDIA DRIVE カメラ ディープラーニング (認識) AI UX コ パイロット 目 / 頭 ジェスチャー ドライバモニター 音声 Camera +RADAR +LIDAR +HD Maps +Redundancy +Higher Resolution LIDAR 点群処理 カメラ ディープラーニング (フリースペース) カメラ コンピュータービジョン (SLAM) HD マップ (自己位置推定) パス プランニング 自動トランクオープン 自転車警告わき見運転 居眠り運転視線
- 35. 35 NVIDIA DRIVE AV DRIVE XAVIER Lidar Localization Surround Perception RADAR LIDAR Egomotion LIDAR Localization Path Perception Path PlanningCamera LocalizationLanes Signs Lights DRIVE AV
- 36. 36
- 37. 37 NVIDIA DRIVE IX 自動トランクオープン 視線 わき見運転 居眠り運転 自転車警告
- 38. 38 DRIVE XAVIER 世界初の自律動作マシン用プロセッサ スーパーコンピューティング性能 究極のエネルギー効率 豊富なハイスピードセンサー IO 30 TOPS のコンピュータ ビジョン、ディープラーニング、並列計算性能
- 39. 39 NVIDIA DRIVE PEGASUS ロボタクシー向け AI コンピューター 320 TOPS の AI 推論性能 1 TB/s 以上のメモリ帯域幅 400W トランクの中のデータセンター
- 40. 40 シミュレーション 数十億キロへの道 世界では毎年数兆キロ運転されている 米国では 16 億キロ当たり 770 回の事故が起きる 20 台のテスト車でも年間160万キロ
- 41. 41 NVIDIA DRIVE SIM および CONSTELLATION 自動運転検証システム バーチャル リアリティ自動運転シミュレーター DRIVE コンピューターと同じアーキテクチャ 稀な条件や難しい条件のシミュレーション、シナリオの再作成、 リグレッションテストの実行、数十億仮想キロの運転 10,000 個のクラスターで年間 48 億キロを運転
- 42. 42 370 のパートナーが NVIDIA DRIVE で 開発中 自動車 トラック モビリティ サービス サプライヤー マッピング LIDAR カメラ / レーダー スタートアップ
- 43. 43 GPU コンピューティング革命は続く 新 DGX-2 世界初の 2PF コンピューター 1 台で 300 サーバー分の能力 新 TESLA V100 32GB 新 TENSORRT 4 ISAAC CLARA シングル アーキテクチャ XAVIER – PEGASUS - ORIN Kubernetes の NVIDIA GPU 対応 AI 自動運転 新しいプラットフォームグラフィックス QUADRO GV100 NVIDIA RTX DRIVE SIM および CONSTELLATION
- 44. 44 NVIDIA DEEP LEARNING SEMINAR 2018 時間 内容 10:00 – 11:20 「これから始める人のためのディープラーニング基礎講座」 エヌビディア ディープラーニング ソリューションアーキテクト 山崎 和博 11:20 – 12:00 「GTC 2018 の基調講演から」 エヌビディア 日本代表兼米国本社副社長 大崎真孝 ランチブレイク (お弁当を提供します) 協賛社展示・ランチセッション (ピュア・ストレージ) 13:00 – 14:30 「GTC 2018 で発表されたディープラーニング最新情報」 エヌビディア ディープラーニング ソリューションアーキテクト 山崎 和博 14:30 – 15:00 「GTC 2018 で発表された GPU 技術最新情報」 エヌビディア シニアデベロッパーテクノロジーエンジニア 成瀬 彰 コーヒーブレイク 及び 協賛社展示 15:30 – 17:00 「GTC 2018 で発表された自動運転最新情報」 エヌビディア 技術顧問 馬路 徹 シニアソリューションアーキテクト 室河 徹 17:00 – 17:15 「GTC 2018 で注目のディープラーニングスタートアップのご紹介」 エヌビディア エンタープライズ事業部 山田 泰永 17:15 – 17:30 「ディープラーニングを実践的に学ぶ: Deep Learning Institute のご紹介」 エヌビディア エンタープライズマーケティング本部 シニアマネージャー 佐々木 邦暢 協賛社展示（午後6時まで） 2018年4月24日 (火) http://eventregist.com/e/NVDLS2018 ベルサール高田馬場 GTC 2018 で発表された数々の 最新情報を日本語でお伝えします 皆様のご参加をお待ちしております
- 45. 45