Jan 01, 1970
3,096 leituras
A Nvidia RTX A4000 ADA pode lidar com tarefas de aprendizado de máquina?
Muito longo; Para ler
Em abril, a Nvidia 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 capacidade de memória de 20 GB da nova GPU permite lidar com grandes ambientes.Em abril, a Nvidia 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.
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
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.
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.
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.
L O A D I N G
. . . comments & more!
. . . comments & more!
