今天是MLPerf Inference基準測試結果的第二輪發布（0.7版）。與7月份宣布的最新培訓結果一樣，新的推論數字表明提交的公司數量有所增加，支持的平臺和工作負載也有所增加。MLPerf推斷編號分為四類-數據中心，邊緣，移動和筆記本。提交的數量從43個增加到327個，提交的公司數量從僅僅9個增加到21個。提交的公司包括半導體公司，設備OEM和幾個測試實驗室。這輪提交的明顯遺漏包括Google和所有中國公司，包括先前的參與者阿里巴巴和騰訊。

作為快速更新，MLPerf是一個行業協會，旨在開發機器學習（ML）/人工智能（AI）解決方案的標準。MLPerf是一組基準測試的匯編，用于測量ML / AL硬件，軟件和服務的訓練和推理性能。最新的Inference v0.7結果僅是第二次發布推理結果。第一次是大約一年前。MLPerf組織正在不斷努力，以代表真實AI工作負載的新模型或增強模型來增強基準套件。此外，該組織正在努力提高測試頻率，以每年至少兩次為目標，正在考慮允許在主要版本之間發布測試結果，并努力添加其他限定詞，例如用于評估AI平臺效率的功耗數據。測試結果可以由電子價值鏈中的任何公司提供，并可以進行隨機審核。

每個細分類別都包括一個“封閉”和“開放”細分?！胺忾]”部分是指使用與參考模型相同的工作量模型運行的測試。“開放”部分允許更改模型，以便供應商可以展示相對于其他目標工作負載的性能。此外，還有一些細分市場-當前市場上的產品“可用”，未來六個月內市場上的產品的“預覽”，以及仍在開發中或剛剛考慮的產品的“研究，開發或內部”實驗室項目。為了保持一致，我們大多數分析都集中在封閉和可用的細分上。在某些情況下，產品沒有所有測試的編號，因為沒有提交編號或無法達到最低99%的準確度等級。由于基準套件不斷變化，在套件達到更成熟的狀態之前，將數字與以前的結果進行比較并不是特別有用。但是，從結果中可以收集到很多東西。

對于數據中心應用，推理0.7v測試包括四個新基準測試-代表自然語言處理工作負載的雙向編碼器表示和轉換（BERT），代表推薦工作負載的深度學習推薦模型（DLRM），代表醫學成像的3D U-Net工作量，以及代表語音到文本工作量的遞歸神經網絡轉換器（RNN-T）。在封閉類別中，結果類似于7月份發布的培訓測試結果。加速平臺在性能上大大超過了純CPU平臺，領先的加速器是GPU，領先的GPU則是英偉達基于Ampere架構的新型A-100 GPU。在每個工作負載中，前任領導者特斯拉（T4）GPU的性能提升顯然是顯而易見的。這證明了Ampere架構的價值，該架構允許在單個GPU上進行七個推理分區。在其他加速器方面，僅Xilinx FPGA代表并且僅在開放類別中。

責任編輯：lq