Deep Learning GPU Benchmarks 2020

Wie kommt man zu effektiven Turnaround-Zeiten in seinen Machine-Learning Projekten? In diesem Artikel wird ein Überblick über die Deep-Learning Leistung aktueller, in diesem Bereich eingesetzter High-End-GPUs gegeben. Enthalten sind die neuesten Angebote von NVIDIA - die Ampere GPU-Generation. Auch die Leistung von Multi-GPU-Setups, wie z.B. einer quad RTX 3090-Konfiguration, wird bewertet.

Wie man eine Remote Desktop Verbindung zu einem AIME-Server herstellt

Eine Anleitung, wie man eine Remote-Desktop-Protocol (RDP) Verbindung mit SSH Tunnel zu den AIME-Servern herstellt. Dabei wird die die Einrichtung sowohl über die Kommandozeile als auch mit verschiedenen Programmen mit grafischer Oberfläche für Linux, Windows 10 und macOS demonstriert.

AIME Machine Learning Framework Container Management

Das Installieren und Einrichten eines Deep-Learning-Frameworks mit GPU-Unterstützung ist oft sehr mühsam - nicht zuletzt, weil die korrekte Version der erforderlichen Treiber und System-Bibliotheken (CUDA, CUDNN) installiert sein müssen, um das Framework erfolgreich zu implementieren. In diesem Beitrag beschreiben wir, wie Sie eine beliebige Version von Tensorflow, Pytorch oder Mxnet unkompliziert in wenigen Minuten installieren und einrichten und das Problem ein für alle Mal lösen.

Deep Learning GPU Benchmarks 2019

Wie komme ich zu effektiven Turnaround-Zeiten in meinen Machine-Learning Projekten? In diesem Artikel wird ein Überblick über die Deep-Learning Leistung aktueller in diesem Bereich eingesetzter High-End-GPUs gegeben. Alle Messungen wurden mit Tensorflow in der Version 1.15 und mit für die jeweiligen GPUs optimierten Einstellungen durchgeführt. Die Ergebnisse können von älteren Benchmarks abweichen, da aktuelle Tensorflow-Versionen Verbesserungen beinhalten, die höhere Trainingsleistung und kürzere Turnaround-Zeiten erzielen. Auch die Leistung von Multi-GPU-Setups wird bewertet.

CLOUD VS. ON-PREMISE - Total Cost of Ownership Analyse

Deep Learning Anwendungen erfordern in der Entwicklung und im Betrieb leistungsstarke Mehr-GPU-Systeme, deren Miete in der Cloud im Langzeitbetrieb sehr teuer werden kann. Es stellt sich die Frage: Welche Infrastruktur bietet den besten Kompromiss zwischen Time-to-Solution, Cost-to-Solution und Verfügbarkeit der Ressourcen?