原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
TENSORRT轻松部署高性能DNN推理
TENSORRT: 轻松部署高性能DNN推理
Gary Ji (季光) Chandler Zhou (周国峰), 2018.11.20-22
利用GPU加速深度学习
深度学习
正在为“人工智能”代言
基于深度神经网络(DNN)的应用程序开发的两个阶段
DNN训练：利用训练数据生成和优化DNN
DNN推理：把DNN集成到应用程序，输入数据得到推理结果
利用GPU做DNN推理已成为业界主流
TensorFlow/MXNet/Caffe等主流框架直接支持，方便使用
可利用GPU进一步加速数据的前后处理
2
GPU的持续演进
专用芯片级的计算力与效率
GPU是计算单元高度密集的可编程通用芯片
可编程：适用面广，软件生态友好，解决方案成型快
计算密集：时下成熟高效的制程所能达到的顶级密度
NVIDIA GPU回顾
Maxwell (2014, 28nm) 重点增强fp32
Tesla T4
Pascal (2016, 16nm) 增加新运算类型fp16 (P100 2x), int8 (P40/P4 4x) 75W
fp32 8 TFLOPS
Volta (2017, 12nm) 引入Tensor Core: fp16 (8x)
fp16 65 TFLOPS
Turing (2018, 12nm) 改进并推广Tensor Core: fp16 (8x), int8 (16x) int8 130 TOPS
3
TENSOR CORE
GPU的计算单元：Streaming Multiprocessor (SM)
Tensor Core
V100上首发；Turing高端型号全系装备
功能：单个clock完成4x4矩阵乘加（D=A*B+C ）
计算能力比较
fp16 by Tensor Cores per clock per SM ：(4x4x4)x2x8=1024
1.515 (GHz) x 46 (sm) x 1024 = 71362.56 GFlops
fp32 by fp32 pipeline per clock per SM ：2x64=128
1.515 (GHz) x 46 (sm) x 128 = 8920.32 Gflops
4
TENSORRT ：高性能DNN推理软件库
充分释放GPU的计算能力
利用深度学习框架难以达到理想的推理性能
原生框架一般对fp16/int8支持不佳
由于有时延要求，数据batch较小，难以让GPU满载
TensorRT ：NVIDIA官方出品的DNN推理软件库
高性能：相同硬件平台上可达到8倍加速
易于编程：提供C++/Python API ；模型参数与主流框架兼容
文档评论（0）