达特茅斯学院的一个研究小组在将他们的Titan Xp GPU换成Titan RTX之后,报告了有希望的结果。在新的GPU上运行他们现有的代码,当训练一对神经网络来检测骨质疏松性椎体骨折时,他们的性能提高了80%。
最上面一行显示四个例子从CTs被识别为ovf阳性CNN / LSTM分类方法在胸椎骨折(a和b)和腰椎(c和d)。彩色地图底部行突出显示区域与这些分类输出模式密切相关。
他们的研究员在Github上说到:“训练深度学习模型需要强大的硬件资源,如图形处理单元卡(GPU)。考虑到我们实验室当前计算需求的增长,我们最近购买了NVIDIA TITAN RTX GPU卡,这是目前市场上最强大的GPU卡。”
达特茅斯哈桑普实验室由人工智能研究员赛义德哈桑普(Saeed Hassanpour)领导,帮助生物医学研究人员和临床医生进行数据分析、医学诊断和实践。
为了评估新的GPU性能,团队将TITAN Xp与新一代TITAN RTX GPU进行了比较。
“我们在CT图像数据集上对我们提出的深度神经网络(CNN + LSTM)进行了训练,以自动检测骨质疏松性椎体骨折,就像我们在2018年的论文中展示的那样,”该团队说。
研究人员说,在包括1400多张CT扫描图、10546张二维二维图像的数据集上进行300个epochs的训练,使用新的TITAN RTX GPU,训练过程快了80%。
硬件配置 | Time (hh:mm) |
---|---|
Machine A with Titan RTX | 4:14 |
Machine B with Titan Xp | 7:40 |
Machine A | Machine B | |
---|---|---|
OS | Ubuntu 18.04 | Ubuntu 18.04 |
CPU | Intel Core i7 7820X | Intel Xeon E5-1650 |
Memory | 32 GB (DDR4) | 64 GB (ECC-DDR3) |
Disk Type | HDD | HDD |
哈桑普尔说,目前研究小组还没有使用Tensor Cores,但他们计划很快就利用它们。使用Tensor Cores,用户可以期望更高的性能数字。
“在过去,GPU显存一直是我们在医学图像上训练深度神经网络的一个重要瓶颈,尤其是在高分辨率的病理图像上。”考虑到TITAN RTX的24gb内存和这一初步比较,我们预计TITAN RTX将大大提高我们的模型开发工作,并减少培训时间,”研究人员说。
该研究小组最近在《自然》杂志上发表了一篇论文,该论文展示了一种基于深度学习的系统,该系统可以根据个人在社交媒体上发布的帖子自动识别出酒精使用高危人群。