王一超, 韦建文
(上海交通大学 网络信息中心, 上海 200240)
深度学习作为近年来兴起的一种机器学习方法[1],可大幅提升包括图像识别在内的诸多模式识别问题的准确率。同时,该方法经由GPU大规模并行计算的助推,已经大幅缩短了其模型的训练时间,成为了学术与工业界炙手可热的机器学习方法[2-3]。当前,利用深度学习提升图像和语音识别精度的软件产品层出不穷,并且已大量应用于安防、人机交互、语音输入法等实际场景。在科研领域,越来越多的科学家也意识到了可以尝试利用深度学习替代传统的机器学习方法[4],提高模式识别或分类问题的精度[5]。在这一大背景下,为支撑校内高水平科研用户的需要,在校高性能计算平台上结合高性能计算软件栈的特点,部署了多款支持深度学习的软件框架,包括CNTK、MXnet、TensorFlow等。同时,在目前的交大超算平台上,利用TensorFlow框架下的图像识别模型训练,与最新的NVIDIA Minsky高性能工作站进行了性能对比测试,以验证平台对于深度学习应用的支持效果。
为应对校内各院系用户对计算需求的大幅增加,上海交通大学于2012年初成立校级高性能计算中心,挂靠校网络信息中心,为全校提供高性能计算的公共服务。该校级高性能计算平台于2013年建成并上线服务超算集群π,2013年6月世界排名158,国内高校第一,上海地区第一[6]。
π集群采用异构计算设计,计算资源由Intel至强多核处理器和NVIDIA GPU加速卡组成,经过2轮升级之后,目前整机的理论计算峰值性能为343TFlops,聚合存储能力达4PB,为国内高校领先的大规模GPU异构计算集群,具体硬件配置如表1所示。……