Jan 01, 1970
2,591 lượt đọc
Nvidia RTX A4000 ADA có thể xử lý các tác vụ học máy không?
dài quá đọc không nổi
Vào tháng 4, Nvidia đã ra mắt một sản phẩm mới, RTX A4000 ADA, một GPU dạng nhỏ được thiết kế cho các ứng dụng máy trạm. Bộ xử lý này thay thế A2000 và có thể được sử dụng cho các tác vụ phức tạp, bao gồm nghiên cứu khoa học, tính toán kỹ thuật và trực quan hóa dữ liệu. Dung lượng bộ nhớ 20GB của GPU mới cho phép nó xử lý các môi trường rộng lớn.Vào tháng 4, Nvidia đã ra mắt một sản phẩm mới, RTX A4000 ADA, một GPU dạng nhỏ được thiết kế cho các ứng dụng máy trạm. Bộ xử lý này thay thế A2000 và có thể được sử dụng cho các tác vụ phức tạp, bao gồm nghiên cứu khoa học, tính toán kỹ thuật và trực quan hóa dữ liệu.
RTX A4000 ADA có 6.144 lõi CUDA, 192 lõi Tenor và 48 lõi RT và 20 GB GDDR6 ECC VRAM. Một trong những lợi ích chính của GPU mới là hiệu suất năng lượng: RTX A4000 ADA chỉ tiêu thụ 70W, giúp giảm cả chi phí điện năng và nhiệt độ hệ thống. GPU cũng cho phép bạn điều khiển nhiều màn hình nhờ khả năng kết nối 4x Mini-DisplayPort 1.4a.
Khi so sánh GPU RTX 4000 SFF ADA với các thiết bị khác cùng loại, cần lưu ý rằng khi chạy ở chế độ chính xác đơn, nó cho hiệu suất tương đương với GPU RTX A4000 thế hệ mới nhất, tiêu thụ điện năng gấp đôi (140W so với 140W). 70W).
ADA RTX 4000 SFF được xây dựng trên kiến trúc ADA Lovelace và công nghệ xử lý 5nm. Điều này cho phép các lõi Tensor Core và lõi dò tia thế hệ tiếp theo, giúp cải thiện đáng kể hiệu suất bằng cách cung cấp các lõi Tensor và dò tia nhanh hơn và hiệu quả hơn so với RTX A4000. Ngoài ra, RTX 4000 SFF của ADA được đóng gói nhỏ - thẻ dài 168mm và dày bằng hai khe cắm mở rộng.
Các nhân dò tia cải tiến cho phép đạt được hiệu suất hiệu quả trong các môi trường sử dụng công nghệ này, chẳng hạn như trong thiết kế và kết xuất 3D. Hơn nữa, dung lượng bộ nhớ 20GB của GPU mới cho phép nó xử lý các môi trường rộng lớn.
Theo nhà sản xuất, các lõi Tensor thế hệ thứ tư mang lại hiệu suất tính toán AI cao - hiệu suất tăng gấp đôi so với thế hệ trước. Các lõi Tensor mới hỗ trợ tăng tốc FP8. Tính năng sáng tạo này có thể hoạt động tốt đối với những người đang phát triển và triển khai các mô hình AI trong các môi trường như bộ gen và thị giác máy tính .
Cũng cần lưu ý rằng sự gia tăng về cơ chế mã hóa và giải mã làm cho RTX 4000 SFF ADA trở thành một giải pháp tốt cho khối lượng công việc đa phương tiện, chẳng hạn như video trong số những thứ khác.
Thông số kỹ thuật của card đồ họa NVIDIA RTX A4000 và RTX A5000, RTX 3090
| RTX A4000 ADA | NVIDIA RTX A4000 | NVIDIA RTX A5000 | RTX 3090 |
|---|---|---|---|---|
Ngành kiến trúc | Ada Lovelace | Ampe | Ampe | Ampe |
quy trình công nghệ | 5nm | 8nm | 8nm | 8nm |
GPU | AD104 | GA102 | GA104 | GA102 |
Số lượng bóng bán dẫn (triệu) | 35.800 | 17.400 | 28.300 | 28.300 |
Băng thông bộ nhớ (Gb/s) | 280.0 | 448 | 768 | 936.2 |
Dung lượng bộ nhớ video (bit) | 160 | 256 | 384 | 384 |
Bộ nhớ GPU (GB) | 20 | 16 | 24 | 24 |
loại bộ nhớ | GDDR6 | GDDR6 | GDDR6 | GDDR6X |
lõi CUDA | 6,144 | 6 144 | 8192 | 10496 |
lõi tenor | 192 | 192 | 256 | 328 |
lõi RT | 48 | 48 | 64 | 82 |
SP hoàn hảo (teraflop) | 19.2 | 19,2 | 27,8 | 35,6 |
Hiệu suất lõi RT (teraflop) | 44.3 | 37,4 | 54,2 | 69,5 |
Hiệu suất tenxơ (teraflop) | 306.8 | 153,4 | 222,2 | 285 |
Công suất tối đa (Watt) | 70 | 140 | 230 | 350 |
giao diện | PCIe 4.0x16 | PCI-E 4.0x16 | PCI-E 4.0x16 | PCIe 4.0x16 |
kết nối | 4x Mini DisplayPort 1.4a | DP 1.4 (4) | DP 1.4 (4) | DP 1.4 (4) |
Yếu tố hình thức | 2 khe | 1 khe | 2 khe | 2-3 khe cắm |
Phần mềm vGPU | KHÔNG | KHÔNG | Có, không giới hạn | Đúng. với những hạn chế |
nvlink | KHÔNG | KHÔNG | 2XRTX A5000 | Đúng |
hỗ trợ CUDA | 11.6 | 8.6 | 8.6 | 8.6 |
hỗ trợ VULKAN | 1.3 | Đúng | Đúng | vâng, 1,2 |
giá (USD) | 1.250 | 1000 | 2500 | 1400 |
Mô tả môi trường thử nghiệm
| RTX A4000 ADA | RTX A4000 |
|---|---|---|
CPU | AMD Ryzen 9 5950X 3.4GHz (16 nhân) | OctaCore Intel Xeon E-2288G, 3,5 GHz |
ĐẬP | 4x32 Gb DDR4 ECC SO-DIMM | 2x32 GB DDR4-3200 ECC DDR4 SDRAM 1600 MHz |
Lái xe | SSD NVMe 1Tb | SSD Samsung 980 PRO 1TB |
bo mạch chủ | ASRock X570D4I-2T | Dòng Asus P11C-I |
Hệ điều hành | Microsoft Windows 10 | Microsoft Windows 10 |
Kết quả kiểm tra
Điểm chuẩn V-Ray 5
Các bài kiểm tra CUDA và RTX của V-Ray GPU đo hiệu suất kết xuất GPU tương đối. GPU RTX A4000 kém hơn một chút so với RTX A4000 ADA (lần lượt là 4% và 11%).
Học máy
"Chó vs. Mèo"
Để so sánh hiệu suất của GPU cho mạng thần kinh, chúng tôi đã sử dụng bộ dữ liệu "Dogs vs. Cats" - thử nghiệm phân tích nội dung của một bức ảnh và phân biệt xem bức ảnh chụp một con mèo hay một con chó. Tất cả các dữ liệu thô cần thiết có thể được tìm thấy
Trong thử nghiệm này, RTX A4000 ADA nhỉnh hơn một chút so với RTX A4000 9%, nhưng hãy nhớ rằng GPU mới có kích thước nhỏ và mức tiêu thụ điện năng thấp.
AI-Benchmark cho phép bạn đo hiệu suất của thiết bị trong tác vụ đầu ra mô hình AI. Đơn vị đo có thể thay đổi tùy theo thử nghiệm, nhưng thông thường đó là số thao tác trên giây (OPS) hoặc số khung hình trên giây (FPS).
| RTX A4000 | RTX A4000 ADA |
|---|---|---|
19/1. MobileNet-V2 | 1.1 — suy luận | đợt=50, kích thước=224x224: 38,5 ± 2,4 ms1,2 — đào tạo | đợt=50, kích thước=224x224: 109 ± 4 ms | 1.1 — suy luận | đợt=50, kích thước=224x224: 53,5 ± 0,7 ms1,2 — đào tạo | lô=50, kích thước=224x224: 130,1 ± 0,6 ms |
19/2. Inception-V3 | 2.1 — suy luận | đợt=20, kích thước=346x346: 36,1 ± 1,8 ms2,2 — đào tạo | đợt=20, kích thước=346x346: 137,4 ± 0,6 ms | 2.1 — suy luận | đợt=20, kích thước=346x346: 36,8 ± 1,1 ms2,2 — đào tạo | đợt=20, kích thước=346x346: 147,5 ± 0,8 ms |
19/3. Inception-V4 | 3.1 — suy luận | đợt=10, kích thước=346x346: 34,0 ± 0,9 ms3.2 — đào tạo | đợt=10, kích thước=346x346: 139,4 ± 1,0 ms | 3.1 — suy luận | đợt=10, kích thước=346x346: 33,0 ± 0,8 ms3.2 — đào tạo | đợt=10, kích thước=346x346: 135,7 ± 0,9 ms |
19/4. Khởi động-ResNet-V2 | 4.1 — suy luận | đợt=10, kích thước=346x346: 45,7 ± 0,6 ms4.2 — đào tạo | đợt=8, kích thước=346x346: 153,4 ± 0,8 ms | 4.1 — lô suy luận=10, kích thước=346x346: 33,6 ± 0,7 ms4.2 — lô đào tạo=8, kích thước=346x346: 132 ± 1 ms |
19/5. ResNet-V2-50 | 5.1 — suy luận | đợt=10, kích thước=346x346: 25,3 ± 0,5 ms5.2 — đào tạo | đợt=10, kích thước=346x346: 91,1 ± 0,8 ms | 5.1 — suy luận | đợt=10, kích thước=346x346: 26,1 ± 0,5 ms5.2 — đào tạo | đợt=10, kích thước=346x346: 92,3 ± 0,6 ms |
19/6. ResNet-V2-152 | 6.1 — suy luận | đợt=10, kích thước=256x256: 32,4 ± 0,5 ms6.2 — đào tạo | đợt=10, kích thước=256x256: 131,4 ± 0,7 ms | 6.1 — suy luận | đợt=10, kích thước=256x256: 23,7 ± 0,6 ms6.2 — đào tạo | lô=10, kích thước=256x256: 107,1 ± 0,9 ms |
19/7. VGG-16 | 7.1 — suy luận | đợt=20, kích thước=224x224: 54,9 ± 0,9 ms7.2 — đào tạo | đợt=2, kích thước=224x224: 83,6 ± 0,7 ms | 7.1 — suy luận | đợt=20, kích thước=224x224: 66,3 ± 0,9 ms7.2 — đào tạo | đợt=2, kích thước=224x224: 109,3 ± 0,8 ms |
19/8. SRCNN 9-5-5 | 8.1 — suy luận | đợt=10, kích thước=512x512: 51,5 ± 0,9 ms8.2 — suy luận | đợt=1, kích thước=1536x1536: 45,7 ± 0,9 ms8,3 — đào tạo | đợt=10, kích thước=512x512: 183 ± 1 ms | 8.1 — suy luận | đợt=10, kích thước=512x512: 59,9 ± 1,6 ms8.2 — suy luận | đợt=1, kích thước=1536x1536: 53,1 ± 0,7 ms8,3 — đào tạo | đợt=10, kích thước=512x512: 176 ± 2 ms |
19/9. VGG-19 Super-Res | 9.1 — suy luận | đợt=10, kích thước=256x256: 99,5 ± 0,8 ms9,2 — suy luận | đợt=1, kích thước=1024x1024: 162 ± 1 ms9.3 — đào tạo | đợt=10, kích thước=224x224: 204 ± 2 ms | |
19/10. ResNet-SRGAN | 10.1 — suy luận | đợt=10, kích thước=512x512: 85,8 ± 0,6 ms10,2 — suy luận | đợt=1, kích thước=1536x1536: 82,4 ± 1,9 ms10,3 — đào tạo | đợt=5, kích thước=512x512: 133 ± 1 ms | 10.1 — suy luận | đợt=10, kích thước=512x512: 98,9 ± 0,8 ms10,2 — suy luận | đợt=1, kích thước=1536x1536: 86,1 ± 0,6 ms10,3 — đào tạo | đợt=5, kích thước=512x512: 130,9 ± 0,6 ms |
19/11. ResNet-DPED | 11.1 — suy luận | đợt=10, kích thước=256x256: 114,9 ± 0,6 ms11,2 — suy luận | đợt=1, kích thước=1024x1024: 182 ± 2 ms11.3 — đào tạo | đợt=15, kích thước=128x128: 178,1 ± 0,8 ms | 11.1 — suy luận | đợt=10, kích thước=256x256: 146,4 ± 0,5 ms11,2 — suy luận | đợt=1, kích thước=1024x1024: 234,3 ± 0,5 ms11,3 — đào tạo | đợt=15, kích thước=128x128: 234,7 ± 0,6 ms |
19/12. U-Net | 12.1 — suy luận | đợt=4, kích thước=512x512: 180,8 ± 0,7 ms12,2 — suy luận | đợt=1, kích thước=1024x1024: 177,0 ± 0,4 ms12,3 — đào tạo | đợt=4, kích thước=256x256: 198,6 ± 0,5 ms | 12.1 — suy luận | đợt=4, kích thước=512x512: 222,9 ± 0,5 ms12,2 — suy luận | đợt=1, kích thước=1024x1024: 220,4 ± 0,6 ms12,3 — đào tạo | đợt=4, kích thước=256x256: 229,1 ± 0,7 mili giây |
19/13. Nvidia-SPADE | 13.1 — suy luận | đợt=5, kích thước=128x128: 54,5 ± 0,5 ms13,2 — đào tạo | đợt=1, kích thước=128x128: 103,6 ± 0,6 ms | 13.1 — suy luận | đợt=5, kích thước=128x128: 59,6 ± 0,6 ms13,2 — đào tạo | đợt=1, kích thước=128x128: 94,6 ± 0,6 mili giây |
14/19. ICNet | 14.1 — suy luận | đợt=5, kích thước=1024x1536: 126,3 ± 0,8 ms14,2 — đào tạo | đợt=10, kích thước=1024x1536: 426 ± 9 mili giây | 14.1 — suy luận | đợt=5, kích thước=1024x1536: 144 ± 4 ms14.2 — đào tạo | đợt=10, kích thước=1024x1536: 475 ± 17 mili giây |
15/19. PSPNet | 15.1 — suy luận | đợt=5, kích thước=720x720: 249 ± 12 ms15.2 — đào tạo | đợt=1, kích thước=512x512: 104,6 ± 0,6 ms | 15.1 — suy luận | đợt=5, kích thước=720x720: 291,4 ± 0,5 ms15,2 — đào tạo | đợt=1, kích thước=512x512: 99,8 ± 0,9 mili giây |
16/19. Phòng thí nghiệm sâu | 16.1 — suy luận | đợt=2, kích thước=512x512: 71,7 ± 0,6 ms16,2 — đào tạo | đợt=1, kích thước=384x384: 84,9 ± 0,5 ms | 16.1 — suy luận | đợt=2, kích thước=512x512: 71,5 ± 0,7 ms16,2 — đào tạo | đợt=1, kích thước=384x384: 69,4 ± 0,6 ms |
17/19. Pixel-RNN | 17.1 — suy luận | đợt=50, kích thước=64x64: 299 ± 14 ms17.2 — đào tạo | lô=10, kích thước=64x64: 1258 ± 64 mili giây | 17.1 — suy luận | đợt=50, kích thước=64x64: 321 ± 30 ms17.2 — đào tạo | lô=10, kích thước=64x64: 1278 ± 74 mili giây |
18/19. LSTM-Tình cảm | 18.1 — suy luận | đợt=100, kích thước=1024x300: 395 ± 11 ms18.2 — đào tạo | đợt=10, kích thước=1024x300: 676 ± 15 mili giây | 18.1 — suy luận | đợt=100, kích thước=1024x300: 345 ± 10 ms18.2 — đào tạo | đợt=10, kích thước=1024x300: 774 ± 17 mili giây |
19/19. GNMT-Dịch | 19.1 — suy luận | đợt=1, kích thước=1x20: 119 ± 2 mili giây | 19.1 — suy luận | đợt=1, kích thước=1x20: 156 ± 1 ms |
Kết quả của thử nghiệm này cho thấy hiệu suất của RTX A4000 cao hơn 6% so với RTX A4000 ADA, tuy nhiên, với lưu ý rằng kết quả thử nghiệm có thể khác nhau tùy thuộc vào tác vụ cụ thể và điều kiện hoạt động được sử dụng.
RTXA4000
điểm chuẩn | Thời gian đào tạo trung bình của mô hình (ms) |
|---|---|
Đào tạo loại chính xác kép mnasnet0_5 | 62.995805740356445 |
Đào tạo loại chính xác kép mnasnet0_75 | 98.39066505432129 |
Đào tạo loại chính xác kép mnasnet1_0 | 126.60405158996582 |
Đào tạo loại chính xác kép mnasnet1_3 | 186.89460277557373 |
Đào tạo loại chính xác kép resnet18 | 428.08079719543457 |
Huấn luyện loại độ chính xác kép resnet34 | 883.5790348052979 |
Đào tạo loại chính xác gấp đôi resnet50 | 1016.3950300216675 |
Đào tạo loại chính xác kép resnet101 | 1927.2308254241943 |
Đào tạo loại chính xác kép resnet152 | 2815.663013458252 |
Đào tạo loại chính xác gấp đôi resnext50_32x4d | 1075.4373741149902 |
Đào tạo loại chính xác gấp đôi resnext101_32x8d | 4050.0641918182373 |
Đào tạo loại chính xác kép wide_resnet50_2 | 2615.9953451156616 |
Đào tạo loại chính xác kép wide_resnet101_2 | 5218.524832725525 |
Đào tạo loại chính xác kép densitynet121 | 751.9759511947632 |
Đào tạo loại chính xác kép densitynet169 | 910.3225564956665 |
Đào tạo loại chính xác kép densitynet201 | 1163.036551475525 |
Đào tạo loại chính xác kép densitynet161 | 2141.505298614502 |
Đào tạo loại pinchnet chính xác gấp đôi1_0 | 203.14435005187988 |
Đào tạo loại pinchnet chính xác gấp đôi1_1 | 98.04857730865479 |
Đào tạo loại chính xác kép vgg11 | 1697.710485458374 |
Đào tạo loại chính xác kép vgg11_bn | 1729.2972660064697 |
Đào tạo loại chính xác kép vgg13 | 2491.615080833435 |
Đào tạo loại chính xác kép vgg13_bn | 2545.1631927490234 |
Đào tạo loại chính xác kép vgg16 | 3371.1953449249268 |
Đào tạo loại chính xác kép vgg16_bn | 3423.8639068603516 |
Đào tạo loại chính xác kép vgg19_bn | 4314.5153522491455 |
Đào tạo loại chính xác kép vgg19 | 4249.422650337219 |
Đào tạo loại chính xác kép mobilenet_v3_large | 105.54619789123535 |
Đào tạo loại chính xác kép mobilenet_v3_small | 37.6680850982666 |
Đào tạo loại chính xác kép shufflenet_v2_x0_5 | 26.51611328125 |
Đào tạo loại chính xác kép shufflenet_v2_x1_0 | 61.260504722595215 |
Đào tạo loại chính xác kép shufflenet_v2_x1_5 | 105.30067920684814 |
Đào tạo loại chính xác kép shufflenet_v2_x2_0 | 181.03694438934326 |
Suy luận loại chính xác kép mnasnet0_5 | 17.397074699401855 |
Suy luận loại chính xác kép mnasnet0_75 | 28.902697563171387 |
Suy luận loại chính xác kép mnasnet1_0 | 38.387718200683594 |
Suy luận loại chính xác kép mnasnet1_3 | 58.228821754455566 |
Suy luận loại chính xác kép resnet18 | 147.95727252960205 |
Suy luận loại chính xác kép resnet34 | 293.519492149353 |
Suy luận loại chính xác gấp đôi resnet50 | 336.44991874694824 |
Suy luận loại chính xác kép resnet101 | 637.9982376098633 |
Suy luận loại chính xác kép resnet152 | 948.9351654052734 |
Suy luận loại chính xác kép resnext50_32x4d | 372.80876636505127 |
Suy luận loại chính xác kép resnext101_32x8d | 1385.1624917984009 |
Suy luận loại chính xác kép wide_resnet50_2 | 873.048791885376 |
Suy luận loại chính xác kép wide_resnet101_2 | 1729.2765426635742 |
Suy luận kiểu chính xác képdennet121 | 270.13323307037354 |
Suy luận kiểu chính xác képdensnet169 | 327.1932888031006 |
Suy luận loại chính xác gấp đôidennet201 | 414.733362197876 |
Suy luận kiểu chính xác képdennet161 | 766.3542318344116 |
Suy luận loại chính xác gấp đôi pinchnet1_0 | 74.86292839050293 |
Suy luận kiểu chính xác gấp đôi pinchnet1_1 | 34.04905319213867 |
Suy luận loại chính xác kép vgg11 | 576.3767147064209 |
Suy luận loại chính xác kép vgg11_bn | 580.5839586257935 |
Suy luận loại chính xác kép vgg13 | 853.4365510940552 |
Suy luận loại chính xác kép vgg13_bn | 860.3136301040649 |
Suy luận loại chính xác kép vgg16 | 1145.091052055359 |
Suy luận loại chính xác kép vgg16_bn | 1152.8028392791748 |
Suy luận loại chính xác kép vgg19_bn | 1444.9562692642212 |
Suy luận loại chính xác kép vgg19 | 1437.0987701416016 |
Suy luận loại chính xác kép mobilenet_v3_large | 30.876317024230957 |
Suy luận loại chính xác kép mobilenet_v3_small | 11.234536170959473 |
Suy luận loại chính xác kép shufflenet_v2_x0_5 | 7.425284385681152 |
Suy luận kiểu chính xác kép shufflenet_v2_x1_0 | 18.25782299041748 |
Suy luận loại chính xác kép shufflenet_v2_x1_5 | 33.34946632385254 |
Suy luận kiểu chính xác kép shufflenet_v2_x2_0 | 57.84676551818848 |
RTX A4000 ADA
điểm chuẩn | Mô hình thời gian đào tạo trung bình |
|---|---|
Đào tạo loại chính xác một nửa mnasnet0_5 | 20.266618728637695 |
Đào tạo loại chính xác một nửa mnasnet0_75 | 21.445374488830566 |
Đào tạo loại chính xác một nửa mnasnet1_0 | 26.714019775390625 |
Đào tạo loại chính xác một nửa mnasnet1_3 | 26.5126371383667 |
Đào tạo một nửa loại chính xác resnet18 | 19.624991416931152 |
Đào tạo một nửa độ chính xác loại resnet34 | 32.46446132659912 |
Đào tạo một nửa loại chính xác resnet50 | 57.17473030090332 |
Đào tạo một nửa loại chính xác resnet101 | 98.20127010345459 |
Đào tạo một nửa loại chính xác resnet152 | 138.18389415740967 |
Đào tạo một nửa loại chính xác resnext50_32x4d | 75.56005001068115 |
Đào tạo một nửa loại chính xác resnext101_32x8d | 228.8706636428833 |
Đào tạo loại chính xác một nửa wide_resnet50_2 | 113.76442432403564 |
Đào tạo loại chính xác một nửa wide_resnet101_2 | 204.17311191558838 |
Đào tạo một nửa loại chính xác densitynet121 | 68.97401332855225 |
Đào tạo một nửa loại chính xác densitynet169 | 85.16453742980957 |
Đào tạo một nửa loại chính xác densitynet201 | 103.299241065979 |
Đào tạo một nửa loại chính xác densitynet161 | 137.54578113555908 |
Đào tạo loại pinchnet bán chính xác1_0 | 16.71830177307129 |
Đào tạo loại pinchnet bán chính xác1_1 | 12.906527519226074 |
Đào tạo một nửa loại chính xác vgg11 | 51.7004919052124 |
Đào tạo loại chính xác một nửa vgg11_bn | 57.63327598571777 |
Đào tạo một nửa loại chính xác vgg13 | 86.10869407653809 |
Đào tạo loại chính xác một nửa vgg13_bn | 95.86676120758057 |
Đào tạo một nửa loại chính xác vgg16 | 102.91589260101318 |
Đào tạo loại chính xác một nửa vgg16_bn | 113.74778270721436 |
Đào tạo loại chính xác một nửa vgg19_bn | 131.56734943389893 |
Đào tạo một nửa loại chính xác vgg19 | 119.70191955566406 |
Đào tạo loại chính xác một nửa mobilenet_v3_large | 31.30636692047119 |
Đào tạo loại chính xác một nửa mobilenet_v3_small | 19.44464683532715 |
Đào tạo loại chính xác một nửa shufflenet_v2_x0_5 | 13.710575103759766 |
Đào tạo loại chính xác một nửa shufflenet_v2_x1_0 | 23.608479499816895 |
Đào tạo loại chính xác một nửa shufflenet_v2_x1_5 | 26.793746948242188 |
Đào tạo loại chính xác một nửa shufflenet_v2_x2_0 | 24.550962448120117 |
Loại suy luận chính xác một nửa mnasnet0_5 | 4.418272972106934 |
Suy luận loại chính xác một nửa mnasnet0_75 | 4.021778106689453 |
Loại suy luận chính xác một nửa mnasnet1_0 | 4.42598819732666 |
Loại suy luận chính xác một nửa mnasnet1_3 | 4.618926048278809 |
Suy luận một nửa chính xác loại resnet18 | 5.803341865539551 |
Suy luận một nửa loại chính xác resnet34 | 9.756693840026855 |
Suy luận một nửa loại chính xác resnet50 | 15.873079299926758 |
Suy luận một nửa chính xác loại resnet101 | 28.268003463745117 |
Suy luận một nửa chính xác loại resnet152 | 40.04594326019287 |
Suy luận một nửa loại chính xác resnext50_32x4d | 19.53421115875244 |
Suy luận một nửa loại chính xác resnext101_32x8d | 62.44826316833496 |
Suy luận loại chính xác một nửa wide_resnet50_2 | 33.533992767333984 |
Suy luận loại chính xác một nửa wide_resnet101_2 | 59.60897445678711 |
Suy luận nửa chính xác loại densitynet121 | 18.052735328674316 |
Suy luận nửa chính xác loại densitynet169 | 21.956982612609863 |
Suy luận một nửa loại chính xác densitynet201 | 27.85182476043701 |
Suy luận một nửa loại chính xác densitynet161 | 37.41891860961914 |
Suy luận loại chính xác một nửa pinchnet1_0 | 4.391803741455078 |
Suy luận loại chính xác một nửa pinchnet1_1 | 2.4281740188598633 |
Suy luận loại chính xác một nửa vgg11 | 17.11493968963623 |
Suy luận loại chính xác một nửa vgg11_bn | 18.40585231781006 |
Suy luận một nửa loại chính xác vgg13 | 28.438148498535156 |
Suy luận loại chính xác một nửa vgg13_bn | 30.672597885131836 |
Suy luận một nửa loại chính xác vgg16 | 34.43562984466553 |
Suy luận loại chính xác một nửa vgg16_bn | 36.92122936248779 |
Suy luận loại chính xác một nửa vgg19_bn | 43.144264221191406 |
Suy luận loại chính xác một nửa vgg19 | 40.5385684967041 |
Suy luận loại chính xác một nửa mobilenet_v3_large | 5.350713729858398 |
Loại suy luận chính xác một nửa mobilenet_v3_small | 4.016985893249512 |
Suy luận loại chính xác một nửa shufflenet_v2_x0_5 | 5.079126358032227 |
Suy luận loại chính xác một nửa shufflenet_v2_x1_0 | 5.593156814575195 |
Suy luận loại chính xác một nửa shufflenet_v2_x1_5 | 5.649552345275879 |
Suy luận loại chính xác một nửa shufflenet_v2_x2_0 | 5.355663299560547 |
Đào tạo loại chính xác kép mnasnet0_5 | 50.2386999130249 |
Đào tạo loại chính xác kép mnasnet0_75 | 80.66896915435791 |
Đào tạo loại chính xác kép mnasnet1_0 | 103.32422733306885 |
Đào tạo loại chính xác kép mnasnet1_3 | 154.6230697631836 |
Đào tạo loại chính xác kép resnet18 | 337.94031620025635 |
Huấn luyện loại độ chính xác kép resnet34 | 677.7706575393677 |
Đào tạo loại chính xác gấp đôi resnet50 | 789.9243211746216 |
Đào tạo loại chính xác kép resnet101 | 1484.3351316452026 |
Đào tạo loại chính xác kép resnet152 | 2170.570478439331 |
Đào tạo loại chính xác gấp đôi resnext50_32x4d | 877.3719882965088 |
Đào tạo loại chính xác gấp đôi resnext101_32x8d | 3652.4944639205933 |
Đào tạo loại chính xác kép wide_resnet50_2 | 2154.612874984741 |
Đào tạo loại chính xác kép wide_resnet101_2 | 4176.522083282471 |
Đào tạo loại chính xác kép densitynet121 | 607.8699731826782 |
Đào tạo loại chính xác kép densitynet169 | 744.6409797668457 |
Đào tạo loại chính xác kép densitynet201 | 962.677731513977 |
Đào tạo loại chính xác kép densitynet161 | 1759.772515296936 |
Đào tạo loại pinchnet chính xác gấp đôi1_0 | 164.3690824508667 |
Đào tạo loại pinchnet chính xác gấp đôi1_1 | 78.70647430419922 |
Đào tạo loại chính xác kép vgg11 | 1362.6095294952393 |
Đào tạo loại chính xác kép vgg11_bn | 1387.2539138793945 |
Đào tạo loại chính xác kép vgg13 | 2006.0230445861816 |
Đào tạo loại chính xác kép vgg13_bn | 2047.526364326477 |
Đào tạo loại chính xác kép vgg16 | 2702.2086429595947 |
Đào tạo loại chính xác kép vgg16_bn | 2747.241234779358 |
Đào tạo loại chính xác kép vgg19_bn | 3447.1724700927734 |
Đào tạo loại chính xác kép vgg19 | 3397.990345954895 |
Đào tạo loại chính xác kép mobilenet_v3_large | 84.65698719024658 |
Đào tạo loại chính xác kép mobilenet_v3_small | 29.816465377807617 |
Đào tạo loại chính xác kép shufflenet_v2_x0_5 | 27.401342391967773 |
Đào tạo loại chính xác kép shufflenet_v2_x1_0 | 48.322744369506836 |
Đào tạo loại chính xác kép shufflenet_v2_x1_5 | 82.22103118896484 |
Đào tạo loại chính xác kép shufflenet_v2_x2_0 | 141.7021369934082 |
Suy luận loại chính xác kép mnasnet0_5 | 12.988653182983398 |
Suy luận loại chính xác kép mnasnet0_75 | 22.422199249267578 |
Suy luận loại chính xác kép mnasnet1_0 | 30.056486129760742 |
Suy luận loại chính xác kép mnasnet1_3 | 46.953935623168945 |
Suy luận loại chính xác kép resnet18 | 118.04479122161865 |
Suy luận loại chính xác kép resnet34 | 231.52336597442627 |
Suy luận loại chính xác kép resnet50 | 268.63497734069824 |
Suy luận loại chính xác kép resnet101 | 495.2010440826416 |
Suy luận loại chính xác kép resnet152 | 726.4922094345093 |
Suy luận loại chính xác kép resnext50_32x4d | 291.47679328918457 |
Suy luận loại chính xác kép resnext101_32x8d | 1055.10901927948 |
Suy luận loại chính xác kép wide_resnet50_2 | 690.6917667388916 |
Suy luận loại chính xác kép wide_resnet101_2 | 1347.5529861450195 |
Suy luận kiểu chính xác képdennet121 | 224.35829639434814 |
Suy luận kiểu chính xác képdensnet169 | 268.9145278930664 |
Suy luận loại chính xác gấp đôidennet201 | 343.1972026824951 |
Suy luận kiểu chính xác képdennet161 | 635.866231918335 |
Suy luận loại chính xác gấp đôi pinchnet1_0 | 61.92759037017822 |
Suy luận kiểu chính xác gấp đôi pinchnet1_1 | 27.009410858154297 |
Suy luận loại chính xác kép vgg11 | 462.3375129699707 |
Suy luận loại chính xác kép vgg11_bn | 468.4495782852173 |
Suy luận loại chính xác kép vgg13 | 692.8219032287598 |
Suy luận loại chính xác kép vgg13_bn | 703.3538103103638 |
Suy luận loại chính xác kép vgg16 | 924.4353818893433 |
Suy luận loại chính xác kép vgg16_bn | 936.5075063705444 |
Suy luận loại chính xác kép vgg19_bn | 1169.098300933838 |
Suy luận loại chính xác kép vgg19 | 1156.3771772384644 |
Suy luận loại chính xác kép mobilenet_v3_large | 24.2356014251709 |
Suy luận loại chính xác kép mobilenet_v3_small | 8.85490894317627 |
Suy luận loại chính xác kép shufflenet_v2_x0_5 | 6.360034942626953 |
Suy luận kiểu chính xác kép shufflenet_v2_x1_0 | 14.301743507385254 |
Suy luận loại chính xác kép shufflenet_v2_x1_5 | 24.863481521606445 |
Suy luận kiểu chính xác kép shufflenet_v2_x2_0 | 43.8505744934082 |
Phần kết luận
Card đồ họa mới đã được chứng minh là một giải pháp hiệu quả cho một số tác vụ công việc. Nhờ kích thước nhỏ gọn, nó lý tưởng cho các máy tính SFF (Small Form Factor) mạnh mẽ. Ngoài ra, điều đáng chú ý là 6.144 lõi CUDA và bộ nhớ 20 GB với bus 160 bit khiến thẻ này trở thành một trong những sản phẩm hiệu quả nhất trên thị trường. Hơn nữa, TDP thấp 70W giúp giảm thiểu chi phí điện năng tiêu thụ. Bốn cổng Mini-DisplayPort cho phép thẻ được sử dụng với nhiều màn hình hoặc như một giải pháp đồ họa đa kênh.
RTX 4000 SFF ADA thể hiện một bước tiến đáng kể so với các thế hệ trước, mang lại hiệu suất tương đương với một chiếc thẻ có mức tiêu thụ điện năng gấp đôi. Không có đầu nối nguồn PCIe, RTX 4000 SFF ADA dễ dàng tích hợp vào các máy trạm tiêu thụ điện năng thấp mà không làm giảm hiệu suất cao.
L O A D I N G
. . . comments & more!
. . . comments & more!
About Author
chuyên mục
Languages
NHỮNG BÀI VIẾT LIÊN QUAN
72 Stories To Learn About Adam Smith
#adam-smith
