开源项目 > 其他开源 > 图书/手册/教程 && 人工智能 > 机器学习/深度学习 &&

加入 Gitee

与超过 1200万开发者一起发现、参与优秀开源项目，私有仓库也完全免费：）

该仓库未声明开源许可证文件（LICENSE），使用请关注具体项目描述及其代码上游依赖。

克隆/下载

benchmark.md 3.83 KB

# 基准性能

<a href="https://gitee.com/mindspore/docs/blob/r2.0.0-alpha/docs/mindspore/source_zh_cn/note/benchmark.md" target="_blank"><img src="https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/website-images/r2.0.0-alpha/resource/_static/logo_source.png"></a>

本文介绍MindSpore的基准性能。MindSpore网络定义可参考[ModelZoo](https://gitee.com/mindspore/models/blob/r2.0.0-alpha/README_CN.md#)。

## 训练性能

### ResNet

| Network | Network Type | Dataset | MindSpore Version | Resource &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; | Precision | Batch Size | Throughput | Speedup |
| --- | --- | --- | --- | --- | --- | --- | --- | --- |
| ResNet-50 v1.5 | CNN | ImageNet2012 | 0.5.0-beta | Ascend: 1 * Ascend 910 </br> CPU：24 Cores | Mixed | 256 | 2115 images/sec | - |
|  |  |  |  | Ascend: 8 * Ascend 910 </br> CPU：192 Cores | Mixed | 256 | 16600 images/sec | 0.98 |
|  |  |  |  | Ascend: 16 * Ascend 910 </br> CPU：384 Cores | Mixed | 256 | 32768 images/sec | 0.96 |

1. 以上数据基于华为云AI开发平台ModelArts测试获得，是训练过程整体下沉至Ascend 910 AI处理器执行所得的平均性能。
2. 业界其他开源框架数据可参考：[ResNet-50 v1.5 for TensorFlow](https://github.com/NVIDIA/DeepLearningExamples/tree/master/TensorFlow/Classification/ConvNets/resnet50v1.5)。

### BERT

| Network | Network Type | Dataset | MindSpore Version | Resource &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; | Precision | Batch Size | Throughput |  Speedup |
| --- | --- | --- | --- | --- | --- | --- | --- | --- |
| BERT-Large | Attention | zhwiki | 0.5.0-beta | Ascend: 1 * Ascend 910 </br> CPU：24 Cores | Mixed | 96 | 269 sentences/sec | - |
|  |  |  |  | Ascend: 8 * Ascend 910 </br> CPU：192 Cores | Mixed | 96 | 2069 sentences/sec | 0.96 |

1. 以上数据基于华为云AI开发平台ModelArts测试获得，其中网络包含24个隐藏层，句长为128个token，字典表包含21128个token。  
2. 业界其他开源框架数据可参考：[BERT For TensorFlow](https://github.com/NVIDIA/DeepLearningExamples/tree/master/TensorFlow/LanguageModeling/BERT)。

### Wide & Deep (数据并行)

| Network | Network Type | Dataset | MindSpore Version | Resource &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; | Precision | Batch Size | Throughput |  Speedup |
| --- | --- | --- | --- | --- | --- | --- | --- | --- |
| Wide & Deep | Recommend | Criteo | 0.6.0-beta | Ascend: 1 * Ascend 910 </br> CPU：24 Cores | Mixed | 16000 | 796892 samples/sec | - |
|  |  |  |  | Ascend: 8 \* Ascend 910 </br> CPU：192 Cores | Mixed | 16000*8 | 4872849 samples/sec | 0.76 |

1. 以上数据基于Atlas 800测试获得，且网络模型为数据并行。
2. 业界其他开源框架数据可参考：[Wide & Deep For TensorFlow](https://github.com/NVIDIA/DeepLearningExamples/tree/master/TensorFlow/Recommendation/WideAndDeep)。

### Wide & Deep (Host-Device混合计算模型并行)

| Network | Network Type | Dataset | MindSpore Version | Resource &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; | Precision | Batch Size | Throughput |  Speedup |
| --- | --- | --- | --- | --- | --- | --- | --- | --- |
| Wide & Deep | Recommend | Criteo | 0.6.0-beta | Ascend: 1 * Ascend 910 </br> CPU：24 Cores | Mixed | 8000 | 68715 samples/sec | - |
|  |  |  |  | Ascend: 8 \* Ascend 910 </br> CPU：192 Cores | Mixed | 8000*8 | 283830 samples/sec | 0.51 |
|  |  |  |  | Ascend: 16 \* Ascend 910 </br> CPU：384 Cores | Mixed | 8000*16 | 377848 samples/sec | 0.34 |
|  |  |  |  | Ascend: 32 \* Ascend 910 </br> CPU：768 Cores | Mixed | 8000*32 | 433423 samples/sec | 0.20 |

1. 以上数据基于Atlas 800测试获得，且网络模型为模型并行。
2. 业界其他开源框架数据可参考：[Wide & Deep For TensorFlow](https://github.com/NVIDIA/DeepLearningExamples/tree/master/TensorFlow/Recommendation/WideAndDeep)。

一键复制编辑原始数据按行查看历史

提交于 2023-02-07 17:48 . modify urls

基准性能

本文介绍MindSpore的基准性能。MindSpore网络定义可参考ModelZoo。

训练性能

ResNet

Network	Network Type	Dataset	MindSpore Version	Resource	Precision	Batch Size	Throughput	Speedup
ResNet-50 v1.5	CNN	ImageNet2012	0.5.0-beta	Ascend: 1 * Ascend 910 CPU：24 Cores	Mixed	256	2115 images/sec	-
				Ascend: 8 * Ascend 910 CPU：192 Cores	Mixed	256	16600 images/sec	0.98
				Ascend: 16 * Ascend 910 CPU：384 Cores	Mixed	256	32768 images/sec	0.96

以上数据基于华为云AI开发平台ModelArts测试获得，是训练过程整体下沉至Ascend 910 AI处理器执行所得的平均性能。
业界其他开源框架数据可参考：ResNet-50 v1.5 for TensorFlow。

BERT

Network	Network Type	Dataset	MindSpore Version	Resource	Precision	Batch Size	Throughput	Speedup
BERT-Large	Attention	zhwiki	0.5.0-beta	Ascend: 1 * Ascend 910 CPU：24 Cores	Mixed	96	269 sentences/sec	-
				Ascend: 8 * Ascend 910 CPU：192 Cores	Mixed	96	2069 sentences/sec	0.96

以上数据基于华为云AI开发平台ModelArts测试获得，其中网络包含24个隐藏层，句长为128个token，字典表包含21128个token。
业界其他开源框架数据可参考：BERT For TensorFlow。

Wide & Deep (数据并行)

Network	Network Type	Dataset	MindSpore Version	Resource	Precision	Batch Size	Throughput	Speedup
Wide & Deep	Recommend	Criteo	0.6.0-beta	Ascend: 1 * Ascend 910 CPU：24 Cores	Mixed	16000	796892 samples/sec	-
				Ascend: 8 * Ascend 910 CPU：192 Cores	Mixed	16000*8	4872849 samples/sec	0.76

以上数据基于Atlas 800测试获得，且网络模型为数据并行。
业界其他开源框架数据可参考：Wide & Deep For TensorFlow。

Wide & Deep (Host-Device混合计算模型并行)

Network	Network Type	Dataset	MindSpore Version	Resource	Precision	Batch Size	Throughput	Speedup
Wide & Deep	Recommend	Criteo	0.6.0-beta	Ascend: 1 * Ascend 910 CPU：24 Cores	Mixed	8000	68715 samples/sec	-
				Ascend: 8 * Ascend 910 CPU：192 Cores	Mixed	8000*8	283830 samples/sec	0.51
				Ascend: 16 * Ascend 910 CPU：384 Cores	Mixed	8000*16	377848 samples/sec	0.34
				Ascend: 32 * Ascend 910 CPU：768 Cores	Mixed	8000*32	433423 samples/sec	0.20

以上数据基于Atlas 800测试获得，且网络模型为模型并行。
业界其他开源框架数据可参考：Wide & Deep For TensorFlow。

1

https://gitee.com/mindspore/docs.git

git@gitee.com:mindspore/docs.git

mindspore

docs

docs

r2.0.0-alpha