A Nvidia RTX A4000 ADA pode lidar com tarefas de aprendizado de máquina?

Em abril, lançou um novo produto, o RTX A4000 ADA, uma GPU de fator de forma pequeno projetada para aplicativos de estação de trabalho. Este processador substitui o A2000 e pode ser usado para tarefas complexas, incluindo pesquisa científica, cálculos de engenharia e visualização de dados. a Nvidia O RTX A4000 ADA possui 6.144 núcleos CUDA, 192 núcleos Tensor e 48 RT e 20 GB GDDR6 ECC VRAM. Um dos principais benefícios da nova GPU é sua eficiência de energia: o RTX A4000 ADA consome apenas 70 W, o que reduz os custos de energia e o aquecimento do sistema. A GPU também permite controlar vários monitores graças à sua conectividade 4x Mini-DisplayPort 1.4a. Ao comparar as GPUs RTX 4000 SFF ADA com outros dispositivos da mesma classe, deve-se notar que, ao rodar no modo de precisão única, apresenta desempenho semelhante à GPU RTX A4000 de última geração, que consome o dobro de energia (140W vs. 70 W). O ADA RTX 4000 SFF é construído na arquitetura ADA Lovelace e na tecnologia de processo de 5 nm. Isso permite núcleos Tensor Core e ray tracing de próxima geração, que melhoram significativamente o desempenho, fornecendo ray tracing e núcleos Tensor mais rápidos e eficientes do que o RTX A4000. Além disso, o RTX 4000 SFF da ADA vem em um pacote pequeno - o cartão tem 168 mm de comprimento e espessura de dois slots de expansão. Os kernels de rastreamento de raios aprimorados permitem um desempenho eficiente em ambientes onde a tecnologia é usada, como em design e renderização 3D. Além disso, a capacidade de memória de 20 GB da nova GPU permite lidar com grandes ambientes. De acordo com o fabricante, os núcleos Tensor de quarta geração oferecem alto desempenho computacional de IA - um aumento duplo no desempenho em relação à geração anterior. Os novos núcleos Tensor suportam aceleração FP8. Esse recurso inovador pode funcionar bem para quem desenvolve e implanta modelos de IA em ambientes como genômica e . visão computacional Também é digno de nota que o aumento nos mecanismos de codificação e decodificação torna o RTX 4000 SFF ADA uma boa solução para cargas de trabalho multimídia, como vídeo, entre outros. Especificações técnicas das placas gráficas NVIDIA RTX A4000 e RTX A5000, RTX 3090 RTX A4000 ADA NVIDIA RTX A4000 NVIDIA RTX A5000 RTX 3090 Arquitetura Ada Lovelace Ampère Ampère Ampère Processo técnico 5 nm 8 nm 8 nm 8 nm GPU AD104 GA102 GA104 GA102 Número de transistores (milhões) 35.800 17.400 28.300 28.300 Largura de banda da memória (Gb/s) 280,0 448 768 936,2 Capacidade de memória de vídeo (bits) 160 256 384 384 Memória GPU (GB) 20 16 24 24 Tipo de memória GDDR6 GDDR6 GDDR6 GDDR6X núcleos CUDA 6.144 6 144 8192 10496 núcleos tensores 192 192 256 328 núcleos RT 48 48 64 82 SP perf (teraflops) 19.2 19,2 27,8 35,6 Desempenho do núcleo RT (teraflops) 44.3 37,4 54,2 69,5 Desempenho do tensor (teraflops) 306,8 153,4 222,2 285 Potência máxima (Watts) 70 140 230 350 Interface PCIe 4.0 x 16 PCI-E 4.0 x16 PCI-E 4.0 x16 PCIe 4.0 x16 Conectores 4x Mini DisplayPort 1.4a DP 1.4 (4) DP 1.4 (4) DP 1.4 (4) Fator de forma 2 slots 1 espaço 2 slots 2-3 slots O software vGPU não não sim, ilimitado Sim. com limitações Nvlink não não 2 x RTX A5000 sim suporte CUDA 11.6 8.6 8.6 8.6 Suporte VULKAN 1.3 sim sim sim, 1.2 Preço (USD) 1.250 1000 2500 1400 Descrição do ambiente de teste RTX A4000 ADA RTX A4000 CPU AMD Ryzen 9 5950X 3,4 GHz (16 núcleos) OctaCore Intel Xeon E-2288G, 3,5 GHz BATER 4x 32 Gb DDR4 ECC SO-DIMM 2x 32 GB DDR4-3200 ECC DDR4 SDRAM 1600 MHz Dirigir SSD NVMe de 1 TB Samsung SSD 980 PRO 1 TB placa-mãe ASRock X570D4I-2T Série Asus P11C-I Sistema operacional Microsoft Windows 10 Microsoft Windows 10 Resultado dos testes Benchmark V-Ray 5 Os testes V-Ray GPU CUDA e RTX medem o desempenho relativo da renderização da GPU. A GPU RTX A4000 está um pouco atrás da RTX A4000 ADA (4% e 11%, respectivamente). Aprendizado de máquina "Cães contra gatos" Para comparar o desempenho de GPUs para redes neurais, usamos o conjunto de dados "Cães x Gatos" - o teste analisa o conteúdo de uma foto e distingue se a foto mostra um gato ou um cachorro. Todos os dados brutos necessários podem ser encontrados . Executamos este teste em diferentes GPUs e serviços de nuvem e obtivemos os seguintes resultados: aqui Neste teste, o RTX A4000 ADA superou ligeiramente o RTX A4000 em 9%, mas lembre-se do tamanho pequeno e do baixo consumo de energia da nova GPU. AI-Benchmark O AI-Benchmark permite medir o desempenho do dispositivo durante uma tarefa de saída do modelo AI. A unidade de medida pode variar de acordo com o teste, mas geralmente é o número de operações por segundo (OPS) ou o número de quadros por segundo (FPS). RTX A4000 RTX A4000 ADA 1/19. MobileNet-V2 1.1 — inferência | lote=50, tamanho=224x224: 38,5 ± 2,4 ms1,2 — treinamento | lote=50, tamanho=224x224: 109 ± 4 ms 1.1 — inferência | lote=50, tamanho=224x224: 53,5 ± 0,7 ms1,2 — treinamento | lote=50, tamanho=224x224: 130,1 ± 0,6 ms 19/02. Inception-V3 2.1 — inferência | lote=20, tamanho=346x346: 36,1 ± 1,8 ms2,2 — treinamento | lote=20, tamanho=346x346: 137,4 ± 0,6 ms 2.1 — inferência | lote=20, tamanho=346x346: 36,8 ± 1,1 ms2,2 — treinamento | lote=20, tamanho=346x346: 147,5 ± 0,8 ms 19/03. Inception-V4 3.1 — inferência | lote=10, tamanho=346x346: 34,0 ± 0,9 ms3,2 — treinamento | lote=10, tamanho=346x346: 139,4 ± 1,0 ms 3.1 — inferência | lote=10, tamanho=346x346: 33,0 ± 0,8 ms3,2 — treinamento | lote=10, tamanho=346x346: 135,7 ± 0,9 ms 19/04. Inception-ResNet-V2 4.1 — inferência | lote=10, tamanho=346x346: 45,7 ± 0,6 ms4,2 — treinamento | lote=8, tamanho=346x346: 153,4 ± 0,8 ms 4.1 — lote de inferência=10, tamanho=346x346: 33,6 ± 0,7 ms4,2 — lote de treinamento=8, tamanho=346x346: 132 ± 1 ms 19/05. ResNet-V2-50 5.1 — inferência | lote=10, tamanho=346x346: 25,3 ± 0,5 ms5,2 — treinamento | lote=10, tamanho=346x346: 91,1 ± 0,8 ms 5.1 — inferência | lote=10, tamanho=346x346: 26,1 ± 0,5 ms5,2 — treinamento | lote=10, tamanho=346x346: 92,3 ± 0,6 ms 19/06. ResNet-V2-152 6.1 — inferência | lote=10, tamanho=256x256: 32,4 ± 0,5 ms6,2 — treinamento | lote=10, tamanho=256x256: 131,4 ± 0,7 ms 6.1 — inferência | lote=10, tamanho=256x256: 23,7 ± 0,6 ms6,2 — treinamento | lote=10, tamanho=256x256: 107,1 ± 0,9 ms 19/07. VGG-16 7.1 — inferência | lote=20, tamanho=224x224: 54,9 ± 0,9 ms7,2 — treinamento | lote=2, tamanho=224x224: 83,6 ± 0,7 ms 7.1 — inferência | lote=20, tamanho=224x224: 66,3 ± 0,9 ms7,2 — treinamento | lote=2, tamanho=224x224: 109,3 ± 0,8 ms 19/08. SRCNN 9-5-5 8.1 — inferência | lote=10, tamanho=512x512: 51,5 ± 0,9 ms8,2 — inferência | lote=1, tamanho=1536x1536: 45,7 ± 0,9 ms8,3 — treinamento | lote=10, tamanho=512x512: 183 ± 1 ms 8.1 — inferência | lote=10, tamanho=512x512: 59,9 ± 1,6 ms8,2 — inferência | lote=1, tamanho=1536x1536: 53,1 ± 0,7 ms8,3 — treinamento | lote=10, tamanho=512x512: 176 ± 2 ms 19/09. VGG-19 Super Res. 9.1 — inferência | lote=10, tamanho=256x256: 99,5 ± 0,8 ms9,2 — inferência | lote=1, tamanho=1024x1024: 162 ± 1 ms9.3 — treinamento | lote=10, tamanho=224x224: 204 ± 2 ms 19/10. ResNet-SRGAN 10.1 — inferência | lote=10, tamanho=512x512: 85,8 ± 0,6 ms10,2 — inferência | lote=1, tamanho=1536x1536: 82,4 ± 1,9 ms10,3 — treinamento | lote=5, tamanho=512x512: 133 ± 1 ms 10.1 — inferência | lote=10, tamanho=512x512: 98,9 ± 0,8 ms10,2 — inferência | lote=1, tamanho=1536x1536: 86,1 ± 0,6 ms10,3 — treinamento | lote=5, tamanho=512x512: 130,9 ± 0,6 ms 19/11. ResNet-DPED 11.1 — inferência | lote=10, tamanho=256x256: 114,9 ± 0,6 ms11,2 — inferência | lote=1, tamanho=1024x1024: 182 ± 2 ms11.3 — treinamento | lote=15, tamanho=128x128: 178,1 ± 0,8 ms 11.1 — inferência | lote=10, tamanho=256x256: 146,4 ± 0,5 ms11,2 — inferência | lote=1, tamanho=1024x1024: 234,3 ± 0,5 ms11,3 — treinamento | lote=15, tamanho=128x128: 234,7 ± 0,6 ms 19/12. U-Net 12.1 — inferência | lote=4, tamanho=512x512: 180,8 ± 0,7 ms12,2 — inferência | lote=1, tamanho=1024x1024: 177,0 ± 0,4 ms12,3 — treinamento | lote=4, tamanho=256x256: 198,6 ± 0,5 ms 12.1 — inferência | lote=4, tamanho=512x512: 222,9 ± 0,5 ms12,2 — inferência | lote=1, tamanho=1024x1024: 220,4 ± 0,6 ms12,3 — treinamento | lote=4, tamanho=256x256: 229,1 ± 0,7 ms 13/19. Nvidia-SPADE 13.1 — inferência | lote=5, tamanho=128x128: 54,5 ± 0,5 ms13,2 — treinamento | lote=1, tamanho=128x128: 103,6 ± 0,6 ms 13.1 — inferência | lote=5, tamanho=128x128: 59,6 ± 0,6 ms13,2 — treinamento | lote=1, tamanho=128x128: 94,6 ± 0,6 ms 14/19. ICNet 14.1 — inferência | lote=5, tamanho=1024x1536: 126,3 ± 0,8 ms14,2 — treinamento | lote=10, tamanho=1024x1536: 426 ± 9 ms 14.1 — inferência | lote=5, tamanho=1024x1536: 144 ± 4 ms14,2 — treinamento | lote=10, tamanho=1024x1536: 475 ± 17 ms 15/19. PSPNet 15.1 — inferência | lote=5, tamanho=720x720: 249 ± 12 ms15,2 — treinamento | lote=1, tamanho=512x512: 104,6 ± 0,6 ms 15.1 — inferência | lote=5, tamanho=720x720: 291,4 ± 0,5 ms15,2 — treinamento | lote=1, tamanho=512x512: 99,8 ± 0,9 ms 16/19. DeepLab 16.1 — inferência | lote=2, tamanho=512x512: 71,7 ± 0,6 ms16,2 — treinamento | lote=1, tamanho=384x384: 84,9 ± 0,5 ms 16.1 — inferência | lote=2, tamanho=512x512: 71,5 ± 0,7 ms16,2 — treinamento | lote=1, tamanho=384x384: 69,4 ± 0,6 ms 17/19. Pixel-RNN 17.1 — inferência | lote=50, tamanho=64x64: 299 ± 14 ms17,2 — treinamento | lote=10, tamanho=64x64: 1258 ± 64 ms 17.1 — inferência | lote=50, tamanho=64x64: 321 ± 30 ms17,2 — treinamento | lote=10, tamanho=64x64: 1278 ± 74 ms 18/19. LSTM-Sentiment 18.1 — inferência | lote=100, tamanho=1024x300: 395 ± 11 ms18.2 — treinamento | lote=10, tamanho=1024x300: 676 ± 15 ms 18.1 — inferência | lote=100, tamanho=1024x300: 345 ± 10 ms18.2 — treinamento | lote=10, tamanho=1024x300: 774 ± 17 ms 19/19. GNMT-Tradução 19.1 — inferência | lote=1, tamanho=1x20: 119 ± 2 ms 19.1 — inferência | lote=1, tamanho=1x20: 156 ± 1 ms Os resultados deste teste mostram que o desempenho do RTX A4000 é 6% superior ao RTX A4000 ADA, porém, com a ressalva de que os resultados do teste podem variar dependendo da tarefa específica e das condições operacionais empregadas. PyTorchName RTX A 4000 avaliação comparativa Tempo médio de trem do modelo (ms) Treinando o tipo de precisão dupla mnasnet0_5 62.995805740356445 Treinando o tipo de precisão dupla mnasnet0_75 98.39066505432129 Treinando o tipo de precisão dupla mnasnet1_0 126.60405158996582 Treinando o tipo de precisão dupla mnasnet1_3 186.89460277557373 Resnet do tipo dupla precisão de treinamento18 428.08079719543457 Treinamento do tipo resnet de dupla precisão34 883.5790348052979 Treinando resnet do tipo precisão dupla50 1016.3950300216675 Treinamento tipo resnet101 de dupla precisão 1927.2308254241943 Resnet152 do tipo precisão dupla de treinamento 2815.663013458252 Treinando o tipo de precisão dupla resnext50_32x4d 1075.4373741149902 Treinamento do tipo precisão dupla resnext101_32x8d 4050.0641918182373 Treinando precisão dupla tipo wide_resnet50_2 2615.9953451156616 Tipo de treinamento de dupla precisão wide_resnet101_2 5218.524832725525 Treinando o tipo de precisão dupla densanet121 751.9759511947632 Treinando o tipo de precisão dupla densanet169 910.3225564956665 Treinando precisão dupla tipo densanet201 1163.036551475525 Treinando o tipo de precisão dupla densanet161 2141.505298614502 Treinamento de precisão dupla tipo squeezenet1_0 203.14435005187988 Treinando precisão dupla tipo squeezenet1_1 98.04857730865479 Treinamento de dupla precisão tipo vgg11 1697.710485458374 Treinamento de precisão dupla tipo vgg11_bn 1729.2972660064697 Treinamento de dupla precisão tipo vgg13 2491.615080833435 Treinamento de precisão dupla tipo vgg13_bn 2545.1631927490234 Treinamento de dupla precisão tipo vgg16 3371.1953449249268 Treinamento de precisão dupla tipo vgg16_bn 3423.8639068603516 Treinamento de precisão dupla tipo vgg19_bn 4314.5153522491455 Treinamento de dupla precisão tipo vgg19 4249.422650337219 Treinando o tipo de precisão dupla mobilenet_v3_large 105.54619789123535 Treinando o tipo de precisão dupla mobilenet_v3_small 37.6680850982666 Treinando o tipo de precisão dupla shufflenet_v2_x0_5 26.51611328125 Treinando o tipo de precisão dupla shufflenet_v2_x1_0 61.260504722595215 Treinando o tipo de precisão dupla shufflenet_v2_x1_5 105.30067920684814 Treinando o tipo de precisão dupla shufflenet_v2_x2_0 181.03694438934326 Tipo de precisão dupla de inferência mnasnet0_5 17.397074699401855 Tipo de precisão dupla de inferência mnasnet0_75 28.902697563171387 Tipo de precisão dupla de inferência mnasnet1_0 38.387718200683594 Tipo de precisão dupla de inferência mnasnet1_3 58.228821754455566 Tipo de inferência dupla precisão resnet18 147.95727252960205 Tipo de inferência dupla precisão resnet34 293.519492149353 Tipo de inferência dupla precisão resnet50 336.44991874694824 Tipo de inferência dupla precisão resnet101 637.9982376098633 Tipo de inferência dupla precisão resnet152 948.9351654052734 Tipo de precisão dupla de inferência resnext50_32x4d 372.80876636505127 Tipo de precisão dupla de inferência resnext101_32x8d 1385.1624917984009 Tipo de precisão dupla de inferência wide_resnet50_2 873.048791885376 Tipo de dupla precisão de inferência wide_resnet101_2 1729.2765426635742 Tipo de inferência de precisão dupla densanet121 270.13323307037354 Tipo de inferência de precisão dupla densanet169 327.1932888031006 Tipo de inferência de precisão dupla densanet201 414.733362197876 Tipo de inferência de precisão dupla densanet161 766.3542318344116 Tipo de inferência de precisão dupla squeezenet1_0 74.86292839050293 Tipo de inferência de precisão dupla squeezenet1_1 34.04905319213867 Tipo de precisão dupla de inferência vgg11 576.3767147064209 Tipo de precisão dupla de inferência vgg11_bn 580.5839586257935 Tipo de precisão dupla de inferência vgg13 853.4365510940552 Tipo de precisão dupla de inferência vgg13_bn 860.3136301040649 Tipo de precisão dupla de inferência vgg16 1145.091052055359 Tipo de precisão dupla de inferência vgg16_bn 1152.8028392791748 Tipo de precisão dupla de inferência vgg19_bn 1444.9562692642212 Tipo de precisão dupla de inferência vgg19 1437.0987701416016 Tipo de precisão dupla de inferência mobilenet_v3_large 30.876317024230957 Tipo de precisão dupla de inferência mobilenet_v3_small 11.234536170959473 Tipo de dupla precisão de inferência shufflenet_v2_x0_5 7.425284385681152 Tipo de dupla precisão de inferência shufflenet_v2_x1_0 18.25782299041748 Tipo de dupla precisão de inferência shufflenet_v2_x1_5 33.34946632385254 Tipo de dupla precisão de inferência shufflenet_v2_x2_0 57.84676551818848 RTX A4000 ADA avaliação comparativa Tempo médio de trem do modelo Treinando meia precisão tipo mnasnet0_5 20.266618728637695 Treinando tipo de meia precisão mnasnet0_75 21.445374488830566 Treinando meia precisão tipo mnasnet1_0 26.714019775390625 Treinando meia precisão tipo mnasnet1_3 26.5126371383667 Treinamento tipo resnet de meia precisão18 19.624991416931152 Treinamento tipo resnet de meia precisão34 32.46446132659912 Treinamento tipo resnet de meia precisão50 57.17473030090332 Treinamento tipo resnet101 de meia precisão 98.20127010345459 Treinamento tipo resnet152 de meia precisão 138.18389415740967 Treinamento tipo meia precisão resnext50_32x4d 75.56005001068115 Treinamento tipo meia precisão resnext101_32x8d 228.8706636428833 Treinando meia precisão tipo wide_resnet50_2 113.76442432403564 Treinando meia precisão tipo wide_resnet101_2 204.17311191558838 Treinando meia precisão tipo densanet121 68.97401332855225 Treinando meia precisão tipo densanet169 85.16453742980957 Treinando meia precisão tipo densanet201 103.299241065979 Treinando meia precisão tipo densanet161 137.54578113555908 Treinamento de meia precisão tipo squeezenet1_0 16.71830177307129 Treinamento de meia precisão tipo squeezenet1_1 12.906527519226074 Treino de meia precisão tipo vgg11 51.7004919052124 Treinamento de meia precisão tipo vgg11_bn 57.63327598571777 Treino de meia precisão tipo vgg13 86.10869407653809 Treinamento de meia precisão tipo vgg13_bn 95.86676120758057 Treino de meia precisão tipo vgg16 102.91589260101318 Treinamento de meia precisão tipo vgg16_bn 113.74778270721436 Treinamento de meia precisão tipo vgg19_bn 131.56734943389893 Treino de meia precisão tipo vgg19 119.70191955566406 Treinando o tipo de meia precisão mobilenet_v3_large 31.30636692047119 Treinando o tipo de meia precisão mobilenet_v3_small 19.44464683532715 Treinando meia precisão tipo shufflenet_v2_x0_5 13.710575103759766 Treinando meia precisão tipo shufflenet_v2_x1_0 23.608479499816895 Treinando meia precisão tipo shufflenet_v2_x1_5 26.793746948242188 Treinando meia precisão tipo shufflenet_v2_x2_0 24.550962448120117 Tipo de meia precisão de inferência mnasnet0_5 4.418272972106934 Tipo de meia precisão de inferência mnasnet0_75 4.021778106689453 Tipo de meia precisão de inferência mnasnet1_0 4.42598819732666 Tipo de meia precisão de inferência mnasnet1_3 4.618926048278809 Tipo de meia precisão de inferência resnet18 5.803341865539551 Tipo de meia precisão de inferência resnet34 9.756693840026855 Tipo de meia precisão de inferência resnet50 15.873079299926758 Tipo de meia precisão de inferência resnet101 28.268003463745117 Tipo de meia precisão de inferência resnet152 40.04594326019287 Tipo de meia precisão de inferência resnext50_32x4d 19.53421115875244 Tipo de meia precisão de inferência resnext101_32x8d 62.44826316833496 Tipo de meia precisão de inferência wide_resnet50_2 33.533992767333984 Tipo de meia precisão de inferência wide_resnet101_2 59.60897445678711 Tipo de meia precisão de inferência densanet121 18.052735328674316 Tipo de meia precisão de inferência densanet169 21.956982612609863 Tipo de meia precisão de inferência densanet201 27.85182476043701 Tipo de meia precisão de inferência densanet161 37.41891860961914 Tipo de meia precisão de inferência squeezenet1_0 4.391803741455078 Tipo de meia precisão de inferência squeezenet1_1 2.4281740188598633 Tipo de meia precisão de inferência vgg11 17.11493968963623 Tipo de meia precisão de inferência vgg11_bn 18.40585231781006 Tipo de meia precisão de inferência vgg13 28.438148498535156 Tipo de meia precisão de inferência vgg13_bn 30.672597885131836 Tipo de meia precisão de inferência vgg16 34.43562984466553 Tipo de meia precisão de inferência vgg16_bn 36.92122936248779 Tipo de meia precisão de inferência vgg19_bn 43.144264221191406 Tipo de meia precisão de inferência vgg19 40.5385684967041 Tipo de meia precisão de inferência mobilenet_v3_large 5.350713729858398 Tipo de meia precisão de inferência mobilenet_v3_small 4.016985893249512 Tipo de meia precisão de inferência shufflenet_v2_x0_5 5.079126358032227 Tipo de meia precisão de inferência shufflenet_v2_x1_0 5.593156814575195 Tipo de meia precisão de inferência shufflenet_v2_x1_5 5.649552345275879 Tipo de meia precisão de inferência shufflenet_v2_x2_0 5.355663299560547 Treinando o tipo de precisão dupla mnasnet0_5 50.2386999130249 Treinando o tipo de precisão dupla mnasnet0_75 80.66896915435791 Treinando o tipo de precisão dupla mnasnet1_0 103.32422733306885 Treinando o tipo de precisão dupla mnasnet1_3 154.6230697631836 Resnet do tipo dupla precisão de treinamento18 337.94031620025635 Treinamento do tipo resnet de dupla precisão34 677.7706575393677 Treinando resnet do tipo precisão dupla50 789.9243211746216 Treinamento tipo resnet101 de dupla precisão 1484.3351316452026 Resnet152 do tipo precisão dupla de treinamento 2170.570478439331 Treinando o tipo de precisão dupla resnext50_32x4d 877.3719882965088 Treinamento do tipo precisão dupla resnext101_32x8d 3652.4944639205933 Treinando precisão dupla tipo wide_resnet50_2 2154.612874984741 Tipo de treinamento de dupla precisão wide_resnet101_2 4176.522083282471 Treinando o tipo de precisão dupla densanet121 607.8699731826782 Treinando o tipo de precisão dupla densanet169 744.6409797668457 Treinando precisão dupla tipo densanet201 962.677731513977 Treinando o tipo de precisão dupla densanet161 1759.772515296936 Treinamento de precisão dupla tipo squeezenet1_0 164.3690824508667 Treinando precisão dupla tipo squeezenet1_1 78.70647430419922 Treinamento de dupla precisão tipo vgg11 1362.6095294952393 Treinamento de precisão dupla tipo vgg11_bn 1387.2539138793945 Treinamento de dupla precisão tipo vgg13 2006.0230445861816 Treinamento de precisão dupla tipo vgg13_bn 2047.526364326477 Treinamento de dupla precisão tipo vgg16 2702.2086429595947 Treinamento de precisão dupla tipo vgg16_bn 2747.241234779358 Treinamento de precisão dupla tipo vgg19_bn 3447.1724700927734 Treinamento de dupla precisão tipo vgg19 3397.990345954895 Treinando o tipo de precisão dupla mobilenet_v3_large 84.65698719024658 Treinando o tipo de precisão dupla mobilenet_v3_small 29.816465377807617 Treinando o tipo de precisão dupla shufflenet_v2_x0_5 27.401342391967773 Treinando o tipo de precisão dupla shufflenet_v2_x1_0 48.322744369506836 Treinando o tipo de precisão dupla shufflenet_v2_x1_5 82.22103118896484 Treinando o tipo de precisão dupla shufflenet_v2_x2_0 141.7021369934082 Tipo de precisão dupla de inferência mnasnet0_5 12.988653182983398 Tipo de precisão dupla de inferência mnasnet0_75 22.422199249267578 Tipo de precisão dupla de inferência mnasnet1_0 30.056486129760742 Tipo de precisão dupla de inferência mnasnet1_3 46.953935623168945 Tipo de inferência dupla precisão resnet18 118.04479122161865 Tipo de inferência dupla precisão resnet34 231.52336597442627 Tipo de inferência dupla precisão resnet50 268.63497734069824 Tipo de inferência dupla precisão resnet101 495.2010440826416 Tipo de inferência dupla precisão resnet152 726.4922094345093 Tipo de precisão dupla de inferência resnext50_32x4d 291.47679328918457 Tipo de precisão dupla de inferência resnext101_32x8d 1055.10901927948 Tipo de precisão dupla de inferência wide_resnet50_2 690.6917667388916 Tipo de dupla precisão de inferência wide_resnet101_2 1347.5529861450195 Tipo de inferência de precisão dupla densanet121 224.35829639434814 Tipo de inferência de precisão dupla densanet169 268.9145278930664 Tipo de inferência de precisão dupla densanet201 343.1972026824951 Tipo de inferência de precisão dupla densanet161 635.866231918335 Tipo de inferência de precisão dupla squeezenet1_0 61.92759037017822 Tipo de inferência de precisão dupla squeezenet1_1 27.009410858154297 Tipo de precisão dupla de inferência vgg11 462.3375129699707 Tipo de precisão dupla de inferência vgg11_bn 468.4495782852173 Tipo de precisão dupla de inferência vgg13 692.8219032287598 Tipo de precisão dupla de inferência vgg13_bn 703.3538103103638 Tipo de precisão dupla de inferência vgg16 924.4353818893433 Tipo de precisão dupla de inferência vgg16_bn 936.5075063705444 Tipo de precisão dupla de inferência vgg19_bn 1169.098300933838 Tipo de precisão dupla de inferência vgg19 1156.3771772384644 Tipo de precisão dupla de inferência mobilenet_v3_large 24.2356014251709 Tipo de precisão dupla de inferência mobilenet_v3_small 8.85490894317627 Tipo de dupla precisão de inferência shufflenet_v2_x0_5 6.360034942626953 Tipo de dupla precisão de inferência shufflenet_v2_x1_0 14.301743507385254 Tipo de dupla precisão de inferência shufflenet_v2_x1_5 24.863481521606445 Tipo de dupla precisão de inferência shufflenet_v2_x2_0 43.8505744934082 Conclusão A nova placa gráfica provou ser uma solução eficaz para uma série de tarefas de trabalho. Graças ao seu tamanho compacto, é ideal para computadores SFF (Small Form Factor) potentes. Além disso, é notável que os 6.144 núcleos CUDA e 20 GB de memória com barramento de 160 bits tornam este cartão um dos mais produtivos do mercado. Além disso, um baixo TDP de 70 W ajuda a reduzir os custos de consumo de energia. Quatro portas Mini-DisplayPort permitem que a placa seja usada com vários monitores ou como uma solução gráfica multicanal. A RTX 4000 SFF ADA representa um avanço significativo em relação às gerações anteriores, entregando desempenho equivalente a uma placa com o dobro do consumo de energia. Sem conector de alimentação PCIe, o RTX 4000 SFF ADA é fácil de integrar em estações de trabalho de baixa potência sem sacrificar o alto desempenho.

A Nvidia RTX A4000 ADA pode lidar com tarefas de aprendizado de máquina?

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Toque para ganhar: Telegram pode integrar os próximos 10 bilhões de usuários criptográficos antes de Solana

Digital Nomads Ouçam: O que você precisa saber sobre o novo visto DTV da Tailândia

O guia completo para uma migração bem-sucedida para a nuvem: estratégias e práticas recomendadas

De fóruns a feeds: como os algoritmos de mídia social moldam a interação digital

Toque para ganhar: Telegram pode integrar os próximos 10 bilhões de usuários criptográficos antes de Solana

Digital Nomads Ouçam: O que você precisa saber sobre o novo visto DTV da Tailândia

O guia completo para uma migração bem-sucedida para a nuvem: estratégias e práticas recomendadas

De fóruns a feeds: como os algoritmos de mídia social moldam a interação digital

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps