Ускорение производительности TensorFlow на Mac

С помощью TensorFlow 2 лучшая в своем классе производительность обучения на различных платформах, устройствах и оборудовании позволяет разработчикам, инженерам и исследователям работать на своей предпочтительной платформе. Пользователи TensorFlow на компьютерах Intel Mac или Mac, работающих на новом чипе M1 от Apple, теперь могут воспользоваться преимуществами ускоренного обучения с использованием оптимизированной для Mac версии TensorFlow 2.4 от Apple и новой вычислительной платформы ML. Эти улучшения в сочетании с возможностью разработчиков Apple выполнять TensorFlow на iOS через TensorFlow Lite, продолжайте демонстрировать широту и глубину TensorFlow в поддержке высокопроизводительного выполнения ML на оборудовании Apple.

Производительность на Mac с ML Compute

Mac уже давно стал популярной платформой для разработчиков, инженеров и исследователей. С анонсом Apple на прошлой неделе, включающим обновленную линейку компьютеров Mac, содержащих новый чип M1, оптимизированная для Mac версия TensorFlow 2.4 использует всю мощь Mac с огромным скачком производительности.

ML Compute, новая платформа Apple, которая обеспечивает обучение для моделей TensorFlow прямо на Mac, теперь позволяет вам воспользоваться преимуществами ускоренного обучения CPU и GPU как на M1 -, так и на Intel-компьютерах Mac.

Например, чип M1 содержит мощный новый 8-ядерный процессор и до 8-ядерный графический процессор, которые оптимизированы для задач обучения ML прямо на Mac. На приведенных ниже графиках вы можете увидеть, как оптимизированный для Mac TensorFlow 2.4 может обеспечить огромное повышение производительности как на M1 -, так и на Intel-компьютерах Mac с популярными моделями.

Влияние обучения на распространенные модели, использующие ML Compute на M1-и Intel-powered 13-дюймовых MacBook Pro, показаны в секундах за партию, причем более низкие цифры указывают на более быстрое время обучения.

Влияние обучения на распространенные модели с использованием ML Compute на Intel-powered 2019 Mac Pro показано в секундах на партию, причем более низкие цифры указывают на более быстрое время обучения.

Начало работы с оптимизированным для Mac TensorFlow

Пользователям не нужно вносить какие-либо изменения в существующие сценарии TensorFlow, чтобы использовать ML Compute в качестве бэкенда для аддонов TensorFlow и TensorFlow.

Чтобы начать работу, посетите репозиторий Apple GitHub repo для получения инструкций по загрузке и установке оптимизированной для Mac вилки TensorFlow 2.4.

В ближайшем будущем мы сделаем такие обновления еще проще для пользователей, чтобы получить эти показатели производительности, интегрировав разветвленную версию в главную ветвь TensorFlow.

Вы можете узнать больше о платформе ML Compute framework на веб-сайте Apple Machine Learning.

Сноски:

1. Тестирование проводилось компанией Apple в октябре и ноябре 2020 года с использованием подготовительной 13-дюймовой системы MacBook Pro с чипом Apple M1, 16 ГБ оперативной памяти и 256 ГБ SSD, а также производственной четырехъядерной системы Intel Core i7 на базе 13-дюймового MacBook Pro с процессором Intel Iris Plus Graphics 645, 16 ГБ оперативной памяти и 2 ТБ SSD. Тестировался с пререлизом macOS Big Sur, TensorFlow 2.3, пререлизом TensorFlow 2.4, ResNet50V2 с тонкой настройкой, CycleGAN, Style Transfer, MobileNetV3 и DenseNet121. Тесты производительности проводятся с использованием конкретных компьютерных систем и отражают приблизительную производительность MacBook Pro.
2. Тестирование проводилось компанией Apple в октябре-ноябре 2020 года с использованием производственной 16-ядерной системы Mac Pro на базе Intel Xeon W с частотой 3,2 ГГц и 32 ГБ оперативной памяти, AMD Radeon Pro Vega II Duo graphics с 64 ГБ HBM2 и 256 ГБ SSD. Тестировался с пререлизом macOS Big Sur, TensorFlow 2.3, пререлизом TensorFlow 2.4, ResNet50V2 с тонкой настройкой, CycleGAN, Style Transfer, MobileNetV3 и DenseNet121. Тесты производительности проводятся с использованием конкретных компьютерных систем и отражают приблизительную производительность Mac Pro.

Источник: blog.tensorflow.org

Комментарии: