机器学习是人工智能的分支，主要是对能通过经验自动改进的计算机算法的研究。
据国外媒体报道，美国IBM公司近日宣称，其旗下的POWER服务器的机器学习不单单比谷歌云所用的TensorFlow快，而且是快了整整46倍。
今年2月，谷歌公司的软件工程师安德烈亚斯·斯特本兹（Andreas Sterbenz）撰文描述了如何利用谷歌云机器学习和TensorFlow为大规模广告和推荐场景进行点击预测。他训练了一个用来预测“Criteo Labs点击日志”上广告点击次数的模型。该网站的内容超过1TB，包含了来自数百万条广告的特征值和点击反馈数据。
数据在经过60分钟的预处理之后进行实际学习，利用60台工作机器和29台参数机器进行训练。该模型的训练时间为70分钟，评估损失为0.1293。可以将这一数值视为结果准确性的粗略指标。
接下来，斯特本兹利用不同的建模技术来获得更好的结果并减少评估损失，这么做花了更多时间；最终模型利用了一个三期（three epochs，一个epoch指所有训练矢量更新权重的次数）深度神经网络，这又耗费了78个小时。
然而，IBM对此并不感兴趣，他们希望证明自己的训练框架在POWER9服务器和GPU上运行时，在基本初始训练上的表现能超过谷歌云平台的89台机器。
在瑞士苏黎世的IBM研究中心，研究人员托马斯·帕雷尔（Thomas Parnell）和塞莱斯廷·邓纳（Celestine Dünner）利用了来自Criteo Terabyte点击日志的相同源数据，以及42亿个训练样本，100万个特征——相同的机器学习模型和逻辑回归，但机器学习库不同。他们所用的是Snap机器学习库（Snap Machine Learning）。
帕雷尔和邓纳在4台Power System AC922服务器（包含8个POWER9 CPU和16个Nvidia Tesla V100 GPU）上用Snap机器学习库对模型进行训练，结果只用了91.5秒，比70分钟快了46倍。
他们还做了一张表，对Snap机器学习库、谷歌TensorFlow和另外三个学习库的结果进行了比较。
▲IBM研究人员做了一张表，对Snap机器学习库、谷歌TensorFlow和另外三个学习库的结果进行了比较
比TensorFlow快46倍是不可小视的超越，其中的原因何在？两位研究者表示，Snap机器学习库具有多层次并行的特点，能在集群中不同节点之间分配工作负载，从而利用加速器单元，并发掘各个计算单元多核并行性的优势。这一过程可以总结如下。
1、首先，数据分布到集群中的各个工作节点上。
2、节点上的数据在主CPU和加速的GPU（CPU和GPU并行运行）之间进行分配。
3、数据被发往GPU的多个内核，而GPU的工作负载采用多线程形式。
Snap机器学习库对分层算法进行嵌套，从而利用这三个层级上的并行性。两位IBM研究员并没有说TensorFlow没利用并行性，也没有在这方面对Snap机器学习库和TensorFlow进行比较，但他们确实表示：“我们采用了特殊的解决方案，目的是利用GPU的大规模并行架构，同时顾及数据在GPU内存中的局部性，以避免大量的数据传输开销。”
他们的文章称，用NVLink 2.0接口的AC922服务器比用PCIe接口连接Tesla GPU的至强（Xeon）服务器（至强黄金版6150 CPU @ 2.70GHz）要快。文章写道：“对于基于PCIe的设置，我们测到了11.8GB/秒的有效带宽，而对于基于NVLink的设置，我们测到的有效带宽是68.1GB/秒。”
训练数据在被传送到GPU之后，就在那里进行处理。NVLink系统发送数据块的速度（55毫秒）远快于PCIe系统（318毫秒）。IBM团队还表示：“在运用于稀疏数据结构时，我们对系统中用到的算法进行了一些新的优化。”
综上所述，Snap机器学习库能更充分地利用Nvidia GPU。在传输数据到GPU的过程中，通过NVLink要比通过x86服务器的PCIe链接更快。我们并不知道POWER9服务器的CPU速度与至强服务器的CPU相比如何；就目前所知，IBM还未公开发布任何POWER9和Xeon SP直接比较的结果。
目前我们也不能肯定Snap机器学习库比TensorFlow好多少，只有在相同硬件配置上运行之后，我们才能对二者进行比较。
无论如何，时间缩短46倍确实令人印象深刻。这样的表现也让IBM有了更多空间来推动POWER9服务器，使其作为加插Nvidia GPU，运行Snap机器学习库即进行机器学习的场所。
来源：新浪科技
评论删除后，数据将无法恢复
IBM：我 POWER 服务器比 TensorFlow 快 46 倍
机器学习是人工智能的分支，主要是对能通过经验自动改进的计算机算法的研究。
据国外媒体报道，美国IBM公司近日宣称，其旗下的POWER服务器的机器学习不单单比谷歌云所用的TensorFlow快，而且是快了整整46倍。
今年2月，谷歌公司的软件工程师安德烈亚斯·斯特本兹（Andreas Sterbenz）撰文描述了如何利用谷歌云机器学习和TensorFlow为大规模广告和推荐场景进行点击预测。他训练了一个用来预测“Criteo Labs点击日志”上广告点击次数的模型。该网站的内容超过1TB，包含了来自数百万条广告的特征值和点击反馈数据。
数据在经过60分钟的预处理之后进行实际学习，利用60台工作机器和29台参数机器进行训练。该模型的训练时间为70分钟，评估损失为0.1293。可以将这一数值视为结果准确性的粗略指标。
接下来，斯特本兹利用不同的建模技术来获得更好的结果并减少评估损失，这么做花了更多时间；最终模型利用了一个三期（three epochs，一个epoch指所有训练矢量更新权重的次数）深度神经网络，这又耗费了78个小时。
然而，IBM对此并不感兴趣，他们希望证明自己的训练框架在POWER9服务器和GPU上运行时，在基本初始训练上的表现能超过谷歌云平台的89台机器。
在瑞士苏黎世的IBM研究中心，研究人员托马斯·帕雷尔（Thomas Parnell）和塞莱斯廷·邓纳（Celestine Dünner）利用了来自Criteo Terabyte点击日志的相同源数据，以及42亿个训练样本，100万个特征——相同的机器学习模型和逻辑回归，但机器学习库不同。他们所用的是Snap机器学习库（Snap Machine Learning）。
帕雷尔和邓纳在4台Power System AC922服务器（包含8个POWER9 CPU和16个Nvidia Tesla V100 GPU）上用Snap机器学习库对模型进行训练，结果只用了91.5秒，比70分钟快了46倍。
他们还做了一张表，对Snap机器学习库、谷歌TensorFlow和另外三个学习库的结果进行了比较。
▲IBM研究人员做了一张表，对Snap机器学习库、谷歌TensorFlow和另外三个学习库的结果进行了比较
比TensorFlow快46倍是不可小视的超越，其中的原因何在？两位研究者表示，Snap机器学习库具有多层次并行的特点，能在集群中不同节点之间分配工作负载，从而利用加速器单元，并发掘各个计算单元多核并行性的优势。这一过程可以总结如下。
1、首先，数据分布到集群中的各个工作节点上。
2、节点上的数据在主CPU和加速的GPU（CPU和GPU并行运行）之间进行分配。
3、数据被发往GPU的多个内核，而GPU的工作负载采用多线程形式。
Snap机器学习库对分层算法进行嵌套，从而利用这三个层级上的并行性。两位IBM研究员并没有说TensorFlow没利用并行性，也没有在这方面对Snap机器学习库和TensorFlow进行比较，但他们确实表示：“我们采用了特殊的解决方案，目的是利用GPU的大规模并行架构，同时顾及数据在GPU内存中的局部性，以避免大量的数据传输开销。”
他们的文章称，用NVLink 2.0接口的AC922服务器比用PCIe接口连接Tesla GPU的至强（Xeon）服务器（至强黄金版6150 CPU @ 2.70GHz）要快。文章写道：“对于基于PCIe的设置，我们测到了11.8GB/秒的有效带宽，而对于基于NVLink的设置，我们测到的有效带宽是68.1GB/秒。”
训练数据在被传送到GPU之后，就在那里进行处理。NVLink系统发送数据块的速度（55毫秒）远快于PCIe系统（318毫秒）。IBM团队还表示：“在运用于稀疏数据结构时，我们对系统中用到的算法进行了一些新的优化。”
综上所述，Snap机器学习库能更充分地利用Nvidia GPU。在传输数据到GPU的过程中，通过NVLink要比通过x86服务器的PCIe链接更快。我们并不知道POWER9服务器的CPU速度与至强服务器的CPU相比如何；就目前所知，IBM还未公开发布任何POWER9和Xeon SP直接比较的结果。
目前我们也不能肯定Snap机器学习库比TensorFlow好多少，只有在相同硬件配置上运行之后，我们才能对二者进行比较。
无论如何，时间缩短46倍确实令人印象深刻。这样的表现也让IBM有了更多空间来推动POWER9服务器，使其作为加插Nvidia GPU，运行Snap机器学习库即进行机器学习的场所。
来源：新浪科技