NVIDIA Deep Learning Examples仓库上线飞桨ResNet50模型，其训练速度超PyTorch
NVIDIA Deep Learning Examples仓库上线飞桨ResNet50模型，其训练速度超PyTorch
你还在头疼于经典模型的复现吗？
不知何处可以得到全面可参照的Benchmark？
为了让开发者可以快速复现顶尖的精度和超高的性能，NVIDIA与飞桨团队合作开发了基于ResNet50的模型示例，并将持续开发更多的基于NLP和CV等领域的经典模型，后续陆续发布的模型有BERT、PP-OCR、PP-YOLO等，欢迎持续关注。
深度学习模型是什么？
深度学习包括训练和推理两个环节。训练是指通过大数据训练出一个复杂的神经网络模型，即用大量标记过的数据来“训练”相应的系统，使之可以实现特定的功能。推理是指利用训练好的模型，基于新数据推理出各种结论。深度学习模型是在训练工作过程中生成，并被保存用于推理当中。
图1: 深度学习训练推理示意图
NVIDIA Deep Learning Examples仓库
全新上线飞桨ResNet50
NVIDIA Deep Learning Examples仓库上线了基于飞桨实现的ResNet50模型的性能优化结果，该示例全面适配各类NVIDIA GPU和各种硬件拓扑（单机单卡、单机多卡），性能极致优化。值得一提的是，Deep Learning Examples中飞桨ResNet50模型训练速度已超过对应的PyTorch版ResNet50。
图2: NVIDIA Deep Learning Examples仓库中基于飞桨与PyTorch的ResNet50模型在同等GPU配置下的训练性能比较，GPU配置为NVIDIA DGX A100（8x A100 80GB）。 *数据来源：[1][2]
NVIDIA Deep Learning Examples仓库中
飞桨ResNet50有哪些优势？
- 优势一：通过使用DALI等工具，加速GPU数据预处理性能
NVIDIA Data Loading Library（DALI）专注于使用GPU加速深度学习应用中的数据加载和预处理。深度学习数据预处理涉及到复杂的、多个阶段的处理过程，如ResNet50模型训练过程中，在CPU上处理图片的加载、解码、裁剪、翻转、缩放和其他数据增强等操作会成为瓶颈，限制训练和推理的性能和可扩展性。DALI将这些操作转移到GPU上，最大限度地提高输入流水线的吞吐量，并且其中数据预取、并行执行和批处理的操作对用户是透明的。
- 优势二：通过使用AMP、ASP等工具，提高推理性能
飞桨内置支持AMP（自动混合精度）及ASP（自动稀疏化）模块。AMP模块可在模型训练过程中，自动为算子选择合适的计算精度（FP32/FP16），充分利用Tensor Cores的性能，在不影响模型精度的前提下，大幅加速模型训练。
ASP模块实现了一个工作流将深度学习模型从稠密修剪为2:4的稀疏模式，经过重训练之后，可恢复到与稠密模型相当的精度。稀疏模型可以充分利用A100 Tensor Core GPU的加速特性，被修剪的权重矩阵参数存储量减半，并且可以获得理论上2倍的计算加速，从而大幅提高推理性能。
- 优势三：通过集成TensorRT，优化推理模型
飞桨推理集成了TensorRT，称为Paddle-TRT。它可以把部分模型子图交给TensorRT加速，而其他部分仍然用飞桨执行，从而达到最佳的推理性能。
- 优势四：丰富的Benchmark
NVIDIA Deep Learning Examples仓库中
有哪些Benchmark？
NVIDIA Deep Learning Examples仓库中的Benchmark主要包含训练精度结果、训练性能结果、推理性能结果、Paddle-TRT性能结果几个方面。
- 训练精度结果
图3：训练精度：
NVIDIA DGX A100 (8x A100 80GB) 数据来源：[1]
图4：集成ASP的提高精度：
NVIDIA DGX A100 (8x A100 80GB) 数据来源：[1]
- 训练性能结果
图5：训练性能：
NVIDIA DGX A100 (8x A100 80GB) 数据来源：[1]
图6：集成ASP的训练性能：
NVIDIA DGX A100 (8x A100 80GB) 数据来源：[1]
- 推理性能结果
图7：推理性能：
NVIDIA DGX A100 (1x A100 80GB) 数据来源：[1]
- Paddle-TRT性能结果
图8：Paddle-TRT 性能结果：
NVIDIA DGX A100 (1x A100 80GB) 数据来源：[1]
图9：Paddle-TRT 性能结果：
NVIDIA A30 (1x A30 24GB) 数据来源：[1]
图10：Paddle-TRT 性能结果：
NVIDIA A10 (1x A10 24GB) 数据来源：[1]
如何下载NVIDIA Deep Learning Examples
仓库中的飞桨ResNeT50?
登录GitHub NVIDIA Deep Learning Examples仓库后，找到下列选项下载模型源代码即可。
PaddlePaddle/Classification/RN50/1.5
图11：NVIDIA Deep Learning Examples：
飞桨ResNet50下载页面
飞桨容器如何安装？
容器包含了深度学习框架在运行时所需的所有部件（包括驱动，工具包等），它具有轻量化与可复制性、打包和执行环境合二为一以及简化应用程序部署等优势。因此，被认为是在同一环境中实现“构建、测试、部署”的最佳平台。容器允许我们创建标准化可复制的轻量级开发环境，摆脱来自Hypervisor所带来运行开销。应用程序可以基于Container Runtime运行在“任意”系统中。
NVIDIA与百度飞桨联合开发了NGC飞桨容器，将最新版本的飞桨与最新的NVIDIA的软件栈进行了无缝的集成与性能优化，最大程度的释放飞桨框架在NVIDIA最新硬件上的计算能力。这样，用户不仅可以快速开启AI应用，专注于创新和应用本身，还能够在AI训练和推理任务上获得飞桨+NVIDIA带来的飞速体验。
NGC飞桨容器已经集成到飞桨官网主页。你可以选择“飞桨版本”+“Linux”+“Docker”+“CUDA 11.7”找到对应的容器下载指令。
参考《NGC飞桨容器安装指南》下载安装：
https://www.paddlepaddle.org.cn/documentation/docs/zh/install/install_NGC_PaddlePaddle_ch.html
- 运行结果如下：
参考资料
[1]NVIDIA Deep Learning Examples仓库中基于飞桨框架的ResNet50性能
https://github.com/NVIDIA/DeepLearningExamples/tree/master/PaddlePaddle/Classification/RN50v1.5
[2] NVIDIA Deep Learning Examples仓库中基于PyTorch的ResNet50训练性能
https://github.com/NVIDIA/DeepLearningExamples/tree/master/PyTorch/Classification/ConvNets/resnet50v1.5