MLPerf Results Validate CPUs for Deep Learning Training

Authors

  • Vice President, Core and Visual Computing Group, and General Manager, Machine Learning and Translation - Wei Li

BUILT IN - ARTICLE INTRO SECOND COMPONENT

I have worked on optimizing and benchmarking computer performance for more than two decades, on platforms ranging from supercomputers and database servers to mobile devices. It is always fun to highlight performance results for the product you are building and compare them with others in the industry. SPEC*, LINPACK*, and TPC* have become familiar names to many of us. Now, MLPerf* is filling in the void of benchmarking for Machine Learning.

I am excited to see the Intel® Xeon® Scalable processor MLPerf results submitted by our team because we work on both the user side and the computer system development side of deep learning. These results show that Intel® Xeon® Scalable processors have surpassed a performance threshold where they can be an effective option for data scientists looking to run multiple workloads on their infrastructure without investing in dedicated hardware.1 2 3

Back in 2015, I had a team working on mobile devices. We had to hire testers to manually play mobile games. It was fun initially for the testers, then it became boring and costly. One tester we hired quit on the same day. Our team created a robot to test mobile games and adopted deep learning. Our game testing robot played games automatically and found more bugs than human testers. We wanted to train neural networks on the machines we already had in the lab, but they were not fast enough. I had to allocate budget for the team to buy a GPU, an older version than the MLPerf reference GPU.4

Today CPUs are capable of deep learning training as well as inference. Our MLPerf Intel® Xeon® Scalable processor results compare well with the MLPerf reference GPU4 on a variety of MLPerf deep learning training workloads.1 2 3 For example, the single-system two-socket Intel® Xeon® Scalable processor results submitted by Intel achieved a score of 0.85 on the MLPerf Image Classification benchmark (Resnet-50)1; 1.6 on the Recommendation benchmark (Neural Collaborative Filtering NCF)2; and 6.3 on Reinforcement Learning benchmark (mini GO).3 In all these scores, 1.0 is defined as the score of the reference implementation on the reference GPU.4 For all the preceding results, we use FP32, the common numerical precision used in today’s market. From these MLPerf results, we can see that our game testing robot could easily train on Intel® Xeon® Scalable processors today.

The deep learning and machine learning world continues to evolve from image processing using Convolutional Neural Networks (CNN) and natural language processing using Recurrent Neural Networks (RNN) to recommendation systems using MLP layers and general matrix multiply, reinforcement learning (mixing CNN and simulation) and hybrid models mixing deep learning and classical machine learning. A general purpose CPU is very adaptable to this dynamically changing environment, in addition to running existing non-DL workloads.

Enterprises have adopted CPUs for deep learning training. For example, today, Datatonic* published a blog showing up to 11x cost and 57 percent performance improvement when running a neural network recommender system used in production by a top-5 UK retailer on a Google Cloud* VM powered by Intel® Xeon® Scalable processors.5 CPUs can also accommodate the large memory models required in many domains. The pharmaceutical company Novartis used Intel® Xeon® Scalable processors to accelerate training for a multiscale convolutional neural network (M-CNN) for 10,000 high-content cellular microscopic images, which are much larger in size than the typical ImageNet* images, reducing time to train from 11 hours to 31 minutes.6

High performance computing (HPC) customers use Intel® Xeon® processors for distributed training, as showcased at Supercomputing 2018. For instance, GENCI/CINES/INRIA trained a plant classification model for 300K species on a 1.5TByte dataset of 12 million images using 128 2S Intel® Xeon® processor-based systems.7 DELL EMC* and SURFSara used Intel® Xeon® processors to reduce training time to 11 minutes for a DenseNet-121 model.8 CERN* showcased distributed training using 128 nodes of the TACC Stampede 2 cluster (Intel® Xeon® Platinum 8160 processor, Intel® OPA) with a 3D Generative Adversarial Network (3D GAN) achieving 94% scaling efficiency.9 Additional examples can be found at https://software.intel.com/en-us/articles/intel-processors-for-deep-learning-training.

CPU hardware and software performance for deep learning has increased by a few orders of magnitude in the past few years. Training that used to take days or even weeks can now be done in hours or even minutes. This level of performance improvement was achieved through a combination of hardware and software. For example, current-generation Intel® Xeon® Scalable processors added both the Intel® Advanced Vector Extensions 512 (Intel® AVX-512) instruction set (longer vector extensions) to allow a large number of operations to be done in parallel, and with a larger number of cores, essentially becoming a mini-supercomputer. The next-generation Intel® Xeon® Scalable processor adds Intel® Deep Learning Boost (Intel® DL Boost): higher throughput, lower numerical precision instructions to boost deep learning inference. On the software side, the performance difference between the baseline open source deep learning software, and the Intel-optimized software can be up to 275X10 on the same Intel® Xeon® Scalable processor (as illustrated in a demo I showed at the Intel Architecture Day forum yesterday).

Over the past few years, Intel has worked with DL framework developers to optimize many popular open source frameworks such as TensorFlow*, Caffe*, MXNet*, PyTorch*/Caffe2*, PaddlePaddle* and Chainer*, for Intel® processors. Intel has also designed a framework, BigDL for SPARK*, and the Intel® Deep Learning Deployment Toolkit (DLDT) for inference. Since the core computation is linear algebra, we have created a new math library, Intel® Math Kernel Library for Deep Neural Networks (Intel® MKL-DNN), specifically for deep learning, based on many years of experience with the Intel® Math Kernel Library (MKL) for high performance computing (HPC). The integration of Intel MKL-DNN into the frameworks, and the additional optimizations contributed to the frameworks to fully utilize the underlying hardware capabilities, are the key reason for the huge software performance improvement.

I’ve often been asked whether CPUs are faster or slower than accelerators. Of course, accelerators have certain advantages. For a specific domain, if an accelerator is not generally faster than a CPU, then it is not much of an accelerator. Even so, given the increasing variety of deep learning workloads, in some cases, a CPU may be as fast or faster while retaining that flexibility that is core to the CPU value proposition. Thus, the more pertinent question is whether CPUs can run deep learning well enough to be an effective option for customers that don’t wish to invest in accelerators. These initial MLPerf results1 2 3, as well as our customer examples, show that CPUs can indeed be effectively used for training. Intel’s strategy is to offer both general purpose CPUs and accelerators to meet the machine learning needs of a wide range of customers.

Looking forward, we are continuing to add new AI and deep learning features to our future generations of CPUs, like Intel® Deep Learning Boost (Intel® DL Boost), plus bfloat16 for training, as well as additional software optimizations. Please stay tuned. For more information on Intel® software optimizations, see ai.intel.com/framework-optimizations. For more information on Intel® Xeon® Scalable processors, see intel.es/xeonscalable.

Información sobre productos y rendimiento

1

Resultado de 0,85 en el análisis de rendimiento Clasificación de imágenes de MLPerf (Resnet-50) 0,85X más de la referencia de MLPerf(+) utilizando un procesador Intel® Xeon® Platinum 8180 de dos chips. División cerrada de MLPerf Training v0.5 ; sistema empleado Optimización Intel® para Caffe* 1.1.2a con la biblioteca Intel® Math Kernel Library for Deep Neural Networks (Intel® MKL-DNN) v0.16. Recuperado desde www.mlperf.org 12 de diciembre de 2018, entrada 0.5.6.1. El nombre y el logotipo de MLPerf son marcas comerciales. Consulte www.mlperf.org para obtener más información.

2

Resultado de 1,6 en el análisis de rendimiento Recomendación (Filtrado colaborativo neuronal o NCF) 1,6X más de la referencia de MLPerf(+) utilizando un procesador Intel® Xeon® Platinum 8180 de dos chips. División cerrada de MLPerf Training v0.5; sistema empleado Marco de trabajo BigDL 0.7.0. Recuperado desde www.mlperf.org 12 de diciembre de 2018, entrada 0.5.9.6. El nombre y el logotipo de MLPerf son marcas comerciales. Consulte www.mlperf.org para obtener más información.

3

Resultado de 6,3 en el análisis de rendimiento Aprendizaje de refuerzo (mini GO) 6,3X más de la referencia de MLPerf(+) utilizando un procesador Intel® Xeon® Platinum 8180 de dos chips. División cerrada de MLPerf Training v0.5; sistema empleado TensorFlow 1.10.1 con la biblioteca Intel® Math Kernel Library for Deep Neural Networks (Intel® MKL-DNN) v0.14. Recuperado desde www.mlperf.org 12 de diciembre de 2018, entrada 0.5.10.7. El nombre y el logotipo de MLPerf son marcas comerciales. Consulte www.mlperf.org para obtener más información.

(+) Referencia de MLPerf (adoptada de la conferencia de prensa de la comunidad de MLPerf v0.5): MLPerf Training v0.5 es un paquete de análisis de rendimiento para medir la velocidad de un sistema de ML. Cada análisis de rendimiento de MLPerf Training viene definido por un Conjunto de datos y un Objetivo de calidad. MLPerf Training también proporciona una implementación de referencia para cada análisis de rendimiento que utiliza un modelo específico. La tabla siguiente resume los siete análisis de rendimiento de la versión v0.5 del paquete.

Análisis de rendimiento

Conjunto de datos

Objetivo de calidad

Modelo de implementación de referencia

Clasificación de imágenes

ImageNet

74,90 % de clasificación

Resnet-50 v1.5

Detección de objetos (ligeros)

COCO 2017

21,2 % mAP

SSD (pilar de Resnet-34)

Detección de objetos (pesados)

COCO 2017

0,377 Box mín. AP, 0,339 Mask mín, AP

Mask R-CNN

Traducción (recurrente)

WMT Inglés-Alemán

21,8 BLEU

Traducción automática neuronal

Traducción (no recurrente)

WMT Inglés-Alemán

25 BLEU

Transformador

Recomendación

MovieLens-20M

0,635 HR@10

Filtrado colaborativo neuronal

Aprendizaje de refuerzo

Videojuegos profesionales

40 % predicción de movimiento

Mini Go


Normas de formación de MLPerf: https://github.com/mlperf/training_policies/blob/master/training_rules.adoc

4

Sistema de referencia de MLPerf*: configuración de la plataforma Google Cloud: 16 vCPU, Intel Skylake o posterior, 60 GB de RAM (n1­estándar­16), 1 GPU NVIDIA* Tesla* P100, CUDA* 9.1 (9.0 para TensorFlow*), nvidia­docker2, Ubuntu* 16.04 LTS, interrupción temporal: desactivada, reinicio automático: desactivado, 30 GB de disco de arranque + 1 disco persistente SSD de 500 GB, imagen de docker*: 9.1­cudnn7­runtime­ubuntu16.04 (9.0­cudnn7­devel­ubuntu16.04 para TensorFlow*).

6

Novartis: medición realizada el 25 de mayo de 2018. Según la aceleración para 8 nodos relacionada con un único nodo. Configuración de nodos: CPU: procesador Intel® Xeon® Gold 6148 a 2,4 GHz, 192 GB de memoria, Hyper-threading: activada. NIC: Intel® Omni-Path Host Fabric Interface (Intel® OP HFI), TensorFlow: v1.7.0, Horovod: 0.12.1, OpenMPI: 3.0.0. SO: CentOS* 7.3, OpenMPU 23.0.0, Python 2.7.5. Tiempo requerido para entrenar con el fin de converger al 99 % de precisión en el modelo. Fuente: https://newsroom.intel.com/news/using-deep-neural-network-acceleration-image-analysis-drug-discovery.

7

GENCI: Occigen: 3306 nodos x 2 procesadores Intel® Xeon® (de 12 a 14 núcleos). Nodos informáticos: Procesador Intel® Xeon® de dos zócalos con 12 núcleos cada uno a 2,70 GHz para un total de 24 núcleos por nodo, 2 hilos por núcleo, 96 GB de DDR4, Mellanox InfiniBand Fabric Interface, doble raíl. Software: Intel® MPI Library 2017 actualización 4 Intel® MPI Library 2019 vista previa técnica OFI 1.5.0PSM2 con Multi-EP, Ethernet de 10 Gbit, 200 GB de SSD local, Red Hat* Enterprise Linux 6.7. Caffe*: Optimización Intel® para Caffe*: https://github.com/intel/caffe Intel® Machine Learning Scaling Library (Intel® MLSL): https://github.com/intel/MLSL Conjunto de datos: Pl@ntNet: CINES/GENCI Los resultados de rendimiento del conjunto de datos interno se basan en las pruebas realizadas el 15/10/18.

8

Colaboración entre Intel, Dell y Surfsara: Medición realizada el 17/05/18 en 256 nodos de procesador Intel® Xeon® Gold 6148 de dos zócalos. Nodos informáticos: Procesador Intel® Xeon® Gold 6148F de dos zócalos con 20 núcleos cada uno a 2,40 GHz para un total de 40 núcleos por nodo, 2 hilos por núcleo, caché L1d de 32 K; caché L1i de 32 K; caché L2 de 1024 K; caché L3 de 33792 K, 96 GB de DDR4, Intel® Omni-Path Host Fabric Interface (Intel® OP HFI), doble raíl. Software: Intel® MPI Library 2017 actualización 4 Intel® MPI Library 2019 vista previa técnica OFI 1.5.0PSM2 con Multi-EP, Ethernet de 10 Gbit, 200 GB de SSD local, Red Hat* Enterprise Linux 6.7. TensorFlow* 1.6: Desarrollado e instalado desde la fuente: https://www.tensorflow.org/install/install_sources Modelo de ResNet-50: Especificaciones de topología de https://github.com/tensorflow/tpu/tree/master/models/official/resnet. Modelo de DenseNet-121: Especificaciones de topología de https://github.com/liuzhuang13/DenseNet. Modelo de convergencia y rendimiento: https://surfdrive.surf.nl/files/index.php/s/xrEFLPvo7IDRARs. Conjunto de datos: ImageNet2012-1K: http://www.image-net.org/challenges/LSVRC/2012 /. ChexNet*: https://stanfordmlgroup.github.io/projects/chexnet/. Rendimiento medido con: OMP_NUM_THREADS=24 HOROVOD_FUSION_THRESHOLD=134217728 export I_MPI_FABRICS=tmi, export I_MPI_TMI_PROVIDER=psm2 \ mpirun -np 512 -ppn 2 python resnet_main.py –train_batch_size 8192 –train_steps 14075 –num_intra_threads 24 –num_inter_threads 2 — mkl=True –data_dir=/scratch/04611/valeriuc/tf-1.6/tpu_rec/train –model_dir model_batch_8k_90ep –use_tpu=False –kmp_blocktime 1. https://ai.intel.com/diagnosing-lung-disease-using-deep-learning/.

9

CERN: Medición realizada el 17/05/18 en Stampede2/TACC: https://portal.tacc.utexas.edu/user-guides/stampede2. Nodos informáticos: Procesador Intel® Xeon® Platinum 8160 de dos zócalos con 24 núcleos cada uno a 2,10 GHz para un total de 48 núcleos por nodo, 2 hilos por núcleo, caché L1d de 32 K; caché L1i de 32 K; caché L2 de 1024 K; caché L3 de 33792 K, 96 GB de DDR4, Intel® Omni-Path Host Fabric Interface (Intel® OP HFI), doble raíl. Software: Intel® MPI Library 2017 actualización 4 Intel® MPI Library 2019 vista previa técnica OFI 1.5.0PSM2 con Multi-EP, Ethernet de 10 Gbit, 200 GB de SSD local, Red Hat* Enterprise Linux 6.7. TensorFlow* 1.6: Desarrollado e instalado desde la fuente: https://www.tensorflow.org/install/install_sources Modelo: CERN* 3D GANS de https://github.com/sara-nl/3Dgan/tree/tf Conjunto de datos: CERN* 3D GANS de https://github.com/sara-nl/3Dgan/tree/tf Rendimiento medido en 256 nodos con: OMP_NUM_THREADS=24 HOROVOD_FUSION_THRESHOLD=134217728 exportación I_MPI_FABRICS=tmi, exportación I_MPI_TMI_PROVIDER=psm2 \ mpirun -np 512 -ppn 2 python resnet_main.py –train_batch_size 8 \ –num_intra_threads 24 –num_inter_threads 2 –mkl=True \ –data_dir=/path/to/gans_script.py –kmp_blocktime 1. https://www.rdmag.com/article/2018/11/imagining-unthinkable-simulations-without-classical-monte-carlo.

10

275X más rendimiento de capacidad de proceso de inferencia con la Optimización Intel® para Caffe* en comparación con BVLC-Caffe*: Intel realizó la medición el 11/12/18. CPU de procesador Intel® Xeon® Platinum 8180 de 2 zócalos a 2,50 GHz (28 núcleos), HT activada, turbo activada, 192 GB de memoria total (12 ranuras * 16 GB, Micron 2666 MHz), Intel® SSD SSDSC2KF5, Ubuntu 16.04 Kernel 4.15.0-42. genérico; BIOS: SE5C620.86B.00.01.0009.101920170742 (microcódigo: 0x0200004d); Topología: Referencia de Resnet-50: FP32, BVLC Caffe* (https://github.com/BVLC/caffe.git) asignación 99bd99795dcdf0b1d3086a8d67ab1782a8a08383 Rendimiento actual: INT8, Optimizaciones Intel® para Caffe* (https://github.com/Intel/caffe.git) asignación: Caffe* asignación: e94b3ff41012668ac77afea7eda89f07fa360adf, MKLDNN asignación: 4e333787e0d66a1dca1218e99a891d493dbc8ef1.

El software y las cargas de trabajo utilizadas en las pruebas de rendimiento han sido optimizados para el rendimiento solamente en microprocesadores Intel. Las pruebas de rendimiento, como SYSmark* y MobileMark*, se han medido utilizando componentes, software, operaciones, funciones y sistemas informáticos específicos. Cualquier cambio realizado en cualquiera de estos factores puede hacer que los resultados varíen. Es conveniente consultar otras fuentes de información y pruebas de rendimiento que le ayudarán a evaluar a fondo sus posibles compras, incluyendo el rendimiento de un producto concreto en combinación con otros. Para más información, visite www.intel.es/benchmarks.html.

Aviso sobre la optimización: Los compiladores de Intel pueden o no ofrecer el mismo nivel de optimización para microprocesadores que no son de Intel en el caso de optimizaciones que no son exclusivas para microprocesadores Intel. Estas optimizaciones incluyen conjuntos de instrucciones SSE2, SSE3 y SSSE3 y otras optimizaciones. Intel no garantiza la disponibilidad, funcionalidad o eficacia de cualquier optimización en microprocesadores no fabricados por Intel. Las optimizaciones de este producto para microprocesadores específicos están diseñadas para su uso con microprocesadores Intel. Determinadas optimizaciones no específicas para la microarquitectura Intel están reservadas para microprocesadores Intel. Consulte las guías de referencia y de usuario de los productos correspondientes para obtener más información sobre los conjuntos de instrucciones cubiertos por este aviso.

Puede que los resultados del rendimiento no reflejen todas las actualizaciones de seguridad disponibles públicamente. Consulte la publicación de la configuración para obtener más información. Ningún producto es completamente seguro.

Intel, el logotipo de Intel, los procesadores escalables Xeon y Deep Learning Boost son marcas comerciales de Intel Corporation o de sus filiales en Estados Unidos y/o en otros países.
*Otros nombres comerciales y marcas pueden ser reclamados como propiedad de terceros.
© Intel Corporation.