你還在頭疼于經典模型的復現嗎？不知何處可以得到全面可參照的 Benchmark？

為了讓飛槳開發(fā)者可以快速復現頂尖的精度和超高的性能，NVIDIA 與飛槳團隊合作開發(fā)了基于 ResNet50 的模型示例，并將持續(xù)開發(fā)更多的基于 NLP 和 CV 等領域的經典模型，后續(xù)陸續(xù)發(fā)布的模型有 BERT、PP-OCR、PP-YOLO 等，歡迎持續(xù)關注。

深度學習模型是什么？

深度學習包括訓練和推理兩個環(huán)節(jié)。訓練是指通過大數據訓練出一個復雜的神經網絡模型，即用大量標記過的數據來“訓練”相應的系統，使之可以適應特定的功能。推理是指利用訓練好的模型，使用新數據推理出各種結論。深度學習模型是在訓練工作過程中生成，并將其保存，用于推理當中。

深度學習訓練推理示意圖

NVIDIA Deep Learning Examples

全新上線飛槳 ResNet50

NVIDIA Deep Learning Examples 倉庫上線了基于飛槳實現的 ResNet50 模型的性能優(yōu)化結果，該示例全面適配各類 NVIDIA GPU 和各種硬件拓撲（單機單卡，單機多卡），極致優(yōu)化性能。值得一提的是，Deep Learning Examples 中飛槳 ResNet50 模型訓練速度已超過對應的 PyTorch 版 ResNet50。

NVIDIA Deep Learning Examples 倉庫中基于飛槳與 PyTorch 的 ResNet50 模型在同等 GPU 配置下的訓練性能比較，GPU 配置為 NVIDIA DGX A100（8x A100 80GB）。

*數據來源：［1］［2］

NVIDIA Deep Learning Examples 倉庫中飛槳 ResNet50 有哪些優(yōu)勢？

優(yōu)勢一：通過使用 DALI 等工具，加速 GPU 數據預處理性能

NVIDIA Data Loading Library（ DALI ）專注于使用 GPU 加速深度學習應用中的數據加載和預處理。深度學習數據預處理涉及到復雜的、多個階段的處理過程，如 ResNet50 模型訓練過程中，在 CPU 上處理圖片的加載、解碼、裁剪、翻轉、縮放和其他數據增強等操作會成為瓶頸，限制訓練和推理的性能和可擴展性。DALI 將這些操作轉移到 GPU 上，最大限度地提高輸入流水線的吞吐量，并且其中數據預取，并行執(zhí)行和批處理的操作對用戶是透明的。

優(yōu)勢二：通過使用 AMP，ASP 等工具，提高推理性能

飛槳內置支持 AMP（自動混合精度）及 ASP（自動稀疏化）模塊，AMP 模塊可在模型訓練過程中，自動為算子選擇合適的計算精度（FP32/FP16），充分利用 Tensor Cores 的性能，在不影響模型精度的前提下，大幅加速模型訓練。

ASP 模塊實現了一個工作流將深度學習模型從稠密修剪為 2：4 的稀疏模式，經過重訓練之后，可恢復到與稠密模型相當的精度。稀疏模型可以充分利用 A100 Tensor Core GPU 的加速特性，被修剪的權重矩陣參數存儲量減半，并且可以獲得理論上 2 倍的計算加速，從而大幅提高推理性能。

優(yōu)勢三：通過集成 TensorRT，優(yōu)化推理模型

飛槳推理集成了 TensorRT，稱為 Paddle-TRT。它可以把部分模型子圖交給 TensorRT 加速，而其他部分仍然用飛槳執(zhí)行，從而達到最佳的推理性能。

優(yōu)勢四：豐富的 Benchmark

NVIDIA Deep Learning Examples 倉庫中

有哪些 Benchmark？

NVIDIA Deep Learning Examples 倉庫中的 Benchmark 主要包含訓練精度結果、訓練性能結果、推理性能結果、Paddle-TRT 性能結果幾個方面。

1、訓練精度結果

訓練精度： NVIDIA DGX A100 （8x A100 80GB）

*數據來源：［1］

集成 ASP 的提高精度： NVIDIA DGX A100 （8x A100 80GB）

*數據來源：［1］

2、訓練性能結果

訓練性能： NVIDIA DGX A100 （8x A100 80GB）

*數據來源：［1］

集成 ASP 的訓練性能： NVIDIA DGX A100 （8x A100 80GB）

*數據來源：［1］

3、推理性能結果

推理性能： NVIDIA DGX A100 （1x A100 80GB）

*數據來源：［1］

4、Paddle-TRT 性能結果

Paddle-TRT 性能結果： NVIDIA DGX A100 （1x A100 80GB）

*數據來源：［1］

Paddle-TRT 性能結果： NVIDIA A30 （1x A30 24GB）

*數據來源：［1］

Paddle-TRT 性能結果： NVIDIA A10 （1x A10 24GB）

*數據來源：［1］

如何下載 NVIDIA Deep Learning Examples 中的飛槳 ResNet50？

登錄 GitHub NVIDIA Deep Learning Examples 倉庫， 找到 PaddlePaddle/Classification/RN50/1.5，下載模型源代碼即可。

NVIDIA Deep Learning Examples 飛槳 ResNet50 下載頁面

飛槳容器如何安裝？

容器包含了深度學習框架在運行時所需的所有部件（包括驅動，工具包等），它具有輕量化與可復制性、打包和執(zhí)行環(huán)境合二為一以及簡化應用程序部署等優(yōu)勢，因此，被認為是在同一環(huán)境中實現“構建、測試、部署”的最佳平臺。容器允許我們創(chuàng)建標準化可復制的輕量級開發(fā)環(huán)境，擺脫來自 Hypervisor 所帶來運行開銷。應用程序可以基于 Container Runtime 運行在“任意”系統中。

NVIDIA 與百度飛槳聯合開發(fā)了 NGC 飛槳容器，將最新版本的飛槳與最新的 NVIDIA 的軟件棧進行了無縫的集成與性能優(yōu)化，最大程度的釋放飛槳框架在 NVIDIA 最新硬件上的計算能力。這樣，用戶不僅可以快速開啟 AI 應用，專注于創(chuàng)新和應用本身，還能夠在 AI 訓練和推理任務上獲得飛槳+NVIDIA 帶來的飛速體驗。

NGC 飛槳容器已經集成入飛槳官網主頁。你可以選擇 “飛槳版本”+“Linux”+“Docker”+“CUDA 11.7”找到對應的 Container 下載指令。

并參考《NGC 飛槳容器安裝指南》下載安裝：https://www.paddlepaddle.org.cn/documentation/docs/zh/install/install_NGC_PaddlePaddle_ch.html

運行結果如下：