Таблица видеокарт nvidia по производительности 2018 таблица: Рейтинг видеокарт 2018, самые производительные (Тест + Таблица)

Grand Theft Auto V

Игра 2015 года, до сих пор популярная игра, с открытым миром и хорошей графикой. Имеется встроенный бенчмарк, что позволяет легко использовать ее для тестирования железа.

GTA V таблицаGTA V fps

F1 2017

Игра 2017 года от Codemasters, есть встроенный бенчмарк.

F1 2017 таблицаF1 2017 fps

GRID 2

Игра 2013 года, но встроенный бенчмарк и богатый выбор пресетов графики делают ее удобной для тестирования и сравнения. Несмотря на 2013 год выпуска, на ультра настройках графики, производительность видеокарты должна быть неплохой и по современным меркам.

GRID 2 таблицаGRID 2 fps

Fallout 4

Культовая и очень популярная игра 2015 года, графика и системные требования, актуальны и на сегодняшний день. Единственный минус для тестирования, это ограничение в 60 фпс, тестовый ноутбук выдает эти 60 фпс в любом режиме, поэтому в данном случае игра для тестов не подходит.

Fallout 4 таблицаFallout 4 fps

Witcher 3

Третий Ведьмак игра 2015 года, но это одна из самых популярных игр и до сегодня. Очень высокие стандарты графики, даже на минимальных настройках игра пойдет только на мощном железе.

Witcher 3 таблицаWitcher 3 fps

Far Cry 5

Игра 2018 года, с высокими требованиями и отличной графикой, есть встроенный бенчмарк.

Far Cry 5 таблицаFar Cry 5 fps

Ghost Recon Wildlands

Игра 2017 года, соответственно высокие требования и отличная графика, есть встроенный бенчмарк.

Ghost Recon Wildlands таблицаGhost Recon Wildlands fps

Бонус

И в качестве бонуса популярные игр, только видео без детального тестирования.

Counter-Strike: Global Offensive

Популярный мултиплеерный шутер от первого лица.

Fortnite

Мультиплатформенная компьютерная игра в жанре королевской битвы, разработанная и выпущенная компанией Epic Games.Игроки в количестве до 100 человек сражаются в «королевской битве» (англ. Battle Royale), где игроки воюют между собой, чтобы стать последним выжившим. Игроки могут выбирать, как войти в матч: в одиночку, в паре или отрядом из четырёх человек. В любом случае, последний человек или команда, оставшаяся в живых, выигрывает матч.

Assassin’s Creed Odyssey

Мультиплатформенная компьютерная игра в жанре Action/RPG, разработанная студией Ubisoft Quebec и изданная компанией Ubisoft. В Assassin’s Creed Odyssey делается ещё больший упор на ролевую составляющую, чем в предыдущих играх серии. В игре присутствует интерактивная система диалогов, нелинейные квесты, различные концовки.

Battlefield 5

Компьютерная игра в жанре шутера от первого лица, пятнадцатая по счёту из серии игр Battlefield, разработанная компанией EA DICE и изданная Electronic Arts.

Jurassic World Evolution

Компьютерная игра в жанре экономического симулятора разработанная Frontier Developments для Xbox One, Windows и PlayStation 4 и выпущенная 12 июня 2018 года. Игра основана на одноименной серии фильмов.

Doom (2016)

Компьютерная игра в жанре шутера от первого лица, являющаяся вторым перезапуском одноимённой серии. Разработана компанией id Software совместно со студией Certain Affinity и издана Bethesda Softworks.

Borderlands 3

Borderlands 3, как и предыдущие игры серии, является RPG-шутером от первого лица с возможностью кооперативного прохождения.

Metro Exodus

Шутер от первого лица с элементами survival horror и стелс-экшен. Действия проходят на постапокалиптических пустошах территории России и в Республике Казахстан, где игрок должен справляться с новыми опасностями мира и участвовать в борьбе против мутировавших существ, а также враждебно настроенных людей.

Just Cause 4

Действие игры разворачивается в вымышленной южноамериканской стране под названием Солис. В этой части Just Cause Рико Родригес будет сражаться с организацией Чёрная рука.

PUBG

PlayerUnknown’s Battlegrounds является экшн-игрой, в которой игроки в количестве до 100 человек сражаются в «королевской битве».

Forza Horizon 4

Гоночная игра в жанре аркадного автосимулятора с открытым миром. Действия игры разворачиваются в Великобритании, игровой процесс сконцентрирован на взаимодействии между игроками в многопользовательском режиме.

Mass Effect: Andromeda

Подобно предыдущим играм серии, Mass Effect: Andromeda представляет собой action/RPG с видом от третьего лица; игрок управляет героем — одним из двоих Райдеров, Скоттом или Сарой.

Watch Dogs 2

В игре Watch Dogs 2 есть набор основных миссий, задания для подготовки к ним и побочные квесты. По структуре ключевые операции напоминают ограбление в GTA 5 и убийства в Assassin’s Creed 2. Однако, в отличие от протагонистов перечисленных игр, герои здесь являются не преступниками или убийцами, а хакерами.

Deus Ex: Mankind Divided

Deus Ex: Mankind Divided является игрой в жанре action/RPG с элементами стелс-экшена. Как и в Human Revolution игрок берет под управление Адама Дженсена. Большую часть игры игрок может свободно перемещаться по нескольким открытым локациям, где он может выполнять основные и побочные задания, покупать и модернизировать оружие, устранять противников, общаться с персонажами и исследовать игровой мир.

FIFA 2020

Футбольный симулятор, последняя версия.

Итоги

Видеокарта Nvidia MX130 по скорости в играх примерно равна более старой GTX 760M и соответственно сильно уступает таким игровым видеокартам как GTX 860M, 960M, 970M и т.д. Однако, несмотря на то что видеокарта базового уровня, на ней можно играть даже в самые требовательные игры на низких настройках графики, более старые игры неплохо пойдут и на средних-высоких. Неплохой вариант, если брать ноутбук в основном для работы, но с возможностью поиграть в свободное время.

Дополнительная информация

Дополнительную информацию можно посмотреть в еще одной нашей статье Как выбрать игровой ноутбук.
Обзоры и тесты конкретных игровых конфигураций смотрите на сайте в меню Статьи и обзоры.
Перейт к выбору ноутбуков и компьютеров в Магазин.
Наш канал в YouTube.
Чтобы не пропустить обновления на нашем сайте, подписывайтесь на наш Instagram

Тенденции соотношения цены и производительности графических процессоров

Мы хотели бы поблагодарить Алиссу Вэнс, Эшвина Ачарью, Джессику Тейлор и команду Epoch за полезные отзывы и комментарии.

Резюме

Используя набор данных из 470 моделей графических процессоров (GPU), выпущенных в период с 2006 по 2021 год, мы обнаружили, что количество операций с плавающей запятой в секунду на доллар (далее FLOP/с на доллар) удваивается каждые ~2,5 года. Для лучших графических процессоров в любой момент времени мы обнаруживаем более медленную скорость улучшения (FLOP/с на доллар удваивается каждые 2,9 секунды).5 лет), в то время как для моделей графических процессоров, обычно используемых в исследованиях машинного обучения, мы обнаруживаем более высокую скорость улучшения (FLOP/s на доллар удваивается каждые 2,07 года). Повышение цены и производительности графического процессора, как правило, было немного медленнее, чем 2-летнее время удвоения, связанное с законом Мура, намного медленнее, чем то, что подразумевается законом Хуанга, но значительно быстрее, чем обычно обнаруживалось в предыдущей работе по тенденциям соотношения цены и производительности графического процессора. Мы стремимся предоставить более точную характеристику тенденций соотношения цены и производительности графических процессоров на основе большего количества данных более высокого качества, которые более устойчивы к оправданным изменениям в анализе, чем предыдущие исследования. ¹

Рисунок 1. Графики FLOP/s и FLOP/s на доллар для нашего набора данных и соответствующих тенденций из существующей литературы

Введение

Графические процессоры

являются доминирующей вычислительной платформой для ускорения рабочих нагрузок машинного обучения (ML), и большинство (если не все) крупнейших моделей за последние пять лет обучались на графических процессорах или другом оборудовании специального назначения, таком как блоки тензорной обработки (TPU). . Улучшение соотношения цены и качества базового оборудования привело к быстрому росту количества обучающих программ машинного обучения (Sevilla et al., 2022) и, таким образом, в значительной степени способствовало недавнему прогрессу в области искусственного интеллекта.

Скорость улучшения графических процессоров анализировалась ранее. Например, Su et al., 2017 обнаруживает удвоение числа FLOP/с графического процессора с 2006 по 2017 год. Sun et al., 2019 анализирует более 4 000 моделей графических процессоров и обнаруживает, что FLOP/с на ватт удваивается каждые три-три года. четыре года. Напротив, некоторые предполагают, что повышение производительности графического процессора происходит быстрее, чем экспоненциальное улучшение, связанное с другими микропроцессорами, такими как центральные процессоры (для которых время удвоения обычно составляет от 2 до 3 лет, см. AI Impacts, 2019).). Примечательным среди них является так называемый закон Хуанга, предложенный генеральным директором NVIDIA Дженсеном Хуангом, согласно которому графические процессоры улучшаются «в 25 раз каждые 5 лет» (Mims, 2020), что эквивалентно примерно 1,1-летнему времени удвоения производительности. спектакль.

Существует предыдущая работа, специально посвященная анализу соотношения цены и производительности для процессоров и графических процессоров (обобщение приведено в таблице 1). Предыдущие оценки темпов улучшения сильно разнятся (например, время, необходимое для увеличения соотношения цены и качества в 10 раз, колеблется от ~ 6 до ~ 15 лет, в зависимости от точности вычислений — см. Таблицу 2). Из-за высокой дисперсии предыдущих подходов и использования ими меньших наборов данных мы не уверены в существующих оценках. ²

долларов США

$

долларов США

Таблица 2. Улучшения соотношения цены и качества, обнаруженные в предыдущей работе. См. также AI Impacts 2015 для получения более подробного обзора предыдущих оценок.

№ по каталогу	Тип процессора	Метрическая система	2 раза	10 раз	Скорость роста
Бергаль, 2019	ГП	FLOP/s на $ в FP32, FP16 и FP16, объединенных умножить-сложить	4,4 года (FP32) 3,0 года (FP16) 1,8 года (предохранитель FP16)	14,7 лет (FP32) 10,0 лет (FP16) 6,1 лет (FP16 с предохранителем)	0,068 OOM/год (FP32) 0,100 OOM/год (FP16) 0,164 OOM/год (FP16 объединенный)
Медианная группа, 2018	ГП	FLOP/s на $ в FP32	1,5 года	5,0 лет	0,200 OOM/год
Мюльхаузер и Рибер, 2014	Разное	млн операций в секунду/	1,6 года	5,2 года	0,192 OOM/год
Сандберг и Бостром, 2008 г.	на базе процессора	MIPS/$ и FLOP/s за	1,7 года (MIPS) 2,3 (FLOP/с)	5,6 лет (MIPS) 7,7 лет (FLOP/с)	0,179 OOM/год (MIPS) 0,130 OOM/год (FLOP/с)
Нордхаус, 2001	на базе процессора	млн операций в секунду/	1,6 года	5,3 года	0,189 OOM/год

Мы стремимся расширить существующую работу тремя основными вкладами:

1. Используя больший набор данных о моделях графических процессоров, чем тот, который был проанализирован в предыдущих исследованиях, включая более свежие модели графических процессоров, мы получаем более точные оценки скорости улучшения соотношения цены и производительности для графических процессоров, чем это существует в настоящее время ³
2. Мы анализируем несколько ключевых подтенденций улучшения соотношения цены и производительности графических процессоров, таких как тенденции соотношения цены и производительности для высокопроизводительных графических процессоров и для графических процессоров, обычно используемых для машинного обучения

.

3. Мы рассматриваем тенденции в перспективе, сравнивая их с предыдущими оценками, законами Мура и Хуанга, предыдущими анализами и общедоступными прогнозами производительности графических процессоров

Набор данных

Мы объединили два существующих набора данных по соотношению цены и производительности GPU. Один набор данных принадлежит Median Group и содержит данные о 223 графических процессорах Nvidia и AMD (Median Group, 2018). Второй набор данных взят у Sun et al., 2019., который содержит данные о цене и производительности для 413 графических процессоров, выпущенных Nvidia, Intel и AMD.

Рисунок 2. Графики FLOP/s и FLOP/s на доллар для наборов данных Median Group и Sun et al., 2019 г.

Мы объединили оба набора данных и удалили повторяющиеся наблюдения, т. е. модели GPU, которые содержались в обоих наборах данных. Кроме того, мы удалили разные версии одного и того же продукта, если только они не имели разных спецификаций. ⁴

Мы также решили отказаться от наблюдений до 2006 года по двум основным причинам: 1) неясно, можем ли мы осмысленно сравнивать их уровни производительности, поскольку эти модели предшествуют инновациям, позволяющим выполнять вычисления общего назначения на графических процессорах, и 2) мы не были возможность проверить точность данных, просмотрев соответствующие данные о производительности в спецификациях моделей. Более подробное обсуждение см. в Приложении A.

Наконец, мы заметили, что есть подмножество из 20 графических процессоров, для которых 16-битная производительность примерно в 60 раз хуже, чем их производительность в 32-битном формате, в то время как для всех остальных графических процессоров 16-битная производительность не менее хороша. как его 34-битная производительность. Мы отказались от этих 16-битных показателей производительности, которые, по нашему мнению, могли быть ошибочными.

Таким образом, окончательный набор данных содержит 470 графических процессоров AMD, Intel и Nvidia, выпущенных в период с 2006 по 2021 год. В остальной части отчета мы будем называть этот объединенный набор данных «нашим набором данных». Повсюду значения FLOP/s имеют 32-битную (полную) точность.

Рисунок 3. Графики FLOP/s и FLOP/s на доллар для набора данных, использованного в нашем анализе

Эмпирический анализ

Далее мы анализируем тенденции соотношения цены и производительности, измеряемые в FLOP/с на доллар, а также общую производительность в FLOP/с для графических процессоров в нашем наборе данных. В нашем анализе рассматриваются ключевые подмножества, такие как графические процессоры, обычно используемые в исследованиях машинного обучения, а также наиболее производительные графические процессоры. ⁵  

Эмпирический тренд в сравнении с другими прогнозами

Чтобы представить наши результаты в контексте, мы сравнили их с другими предполагаемыми тенденциями производительности графических процессоров (цена), найденными в других источниках. это

• Закон Мура, согласно которому плотность транзисторов удваивается каждые два года. Для сравнения, мы считаем, что это означает, что количество FLOP/s также удваивается каждые два года

.

• Закон Хуанга, который описывает скорость повышения производительности графических процессоров. Хотя существует несколько интерпретаций закона Хуанга, мы выбрали ту, которая отражает первоначальную формулировку Хуанга, а именно «25-кратное улучшение каждые 5 лет»

.

• Исторические тенденции соотношения цены и производительности ЦП, которые, как было установлено, увеличиваются в 10 раз каждые 7,7 лет с 1940 (Воздействие ИИ, 2019 г. )
• Прогноз, сделанный в Cotra 2020 2,5-летнего времени удвоения соотношения цены и производительности вычислений, относящихся к обучающим запускам машинного обучения ⁶
• Предыдущие оценки соотношения цены и производительности GPU, найденные Бергалом, 2019 г.

Мы понимаем, что некоторые из этих тенденций не совсем сопоставимы с FLOP/с на доллар (закон Мура относится к плотности схем, закон Хуанга относится к теоретическому повышению производительности, а прогнозы Cotra 2020 относятся к FLOP/с на доллар 9).0009 7 ). Цель этих сравнений состоит в том, чтобы дать приблизительное представление о том, как наши оценочные тенденции соотносятся с соответствующими эмпирическими тенденциями и прогнозами.

Если не указано иное, мы будем представлять результаты для FLOP/s за доллар. Это связано с тем, что мы а) думаем, что FLOP/s на доллар является более актуальной тенденцией, как утверждалось ранее, и b) потому что между трендами FLOP/s и FLOP/s на доллар не так уж много различий. Подробное сравнение см. в Приложении B.

Рисунок 4. FLOP/с на доллар для нашего набора данных и соответствующих тенденций, найденных в других источниках

Мы обнаружили, что линейная регрессия по всем нашим данным показывает время удвоения 2,46 года (95% ДИ: от 2,24 до 2,72 года). Это очень хорошо соответствует наклону 2,5, используемому в Cotra 2020. Мы также видим, что закон Хуанга не подходит для всей тенденции и сильно завышен.

Тенденции точности для плавающих форматов

Вычисления половинной точности (FP16) и вычисления смешанной точности (обычно FP16 и FP32) в настоящее время широко используются для глубокого обучения. В нашем наборе данных у нас было 91, для которых у нас были как цена, так и показатели производительности FP16. ⁸  

Рисунок 5. FLOP/с на доллар для производительности FP32 и FP16

Мы обнаружили, что время удвоения цены и качества в FP16 составило 2,32 года (95% ДИ: 1,69 года, 3,62 года). Это незначительно отличалось от наклона времени удвоения соотношения цена-качество в FP32, что позволяет предположить, что улучшения соотношения цена-качество в FP16 и FP32, вероятно, будут схожими. Это противоречит выводам Бергала, 2019 г., который находит 1,8-летнее время удвоения для FP16 FMA. ⁹ В дальнейшем мы решили сосредоточиться на соотношении цена-качество в FP32, поскольку мы не находим статистически значимой разницы между двумя тенденциями, и поэтому мы решили анализировать модели, по которым у нас есть больше всего данных.

Тенденции графических процессоров, используемых в ML

Подавляющее большинство всего обучения машинному обучению выполняется на очень небольшом количестве различных моделей графических процессоров. Из предыдущей публикации, в которой мы рассмотрели 75 статей, в которых представлены основные модели машинного обучения, мы собрали в общей сложности 42 различные модели графических процессоров, которые обычно используются для обучения систем машинного обучения. Всего мы нашли 26 из этих 42 графических процессоров в нашем наборе данных по графическим процессорам.

Мы обнаружили, что соотношение цены и производительности графических процессоров, используемых в ML, улучшается быстрее, чем у типичного графического процессора. Мы обнаружили, что FLOP/с на доллар для GPU ML удваивается каждые 2,07 года (95% ДИ: от 1,54 до 3,13 года) по сравнению с 2,46 года для всех GPU. Это незначительно отличается от кривой времени удвоения соотношения цены и производительности для всех графических процессоров.

Рисунок 6. FLOP/с на доллар для нашего набора данных и отдельно для моделей графических процессоров, обычно используемых в исследованиях машинного обучения, по сравнению с соответствующими тенденциями, обнаруженными в других местах

Кроме того, новейшие графические процессоры ML, как правило, входят в число графических процессоров с высоким соотношением цены и производительности, в то время как более старые являются более средними.

Более того, если посмотреть через призму FLOP/s, становится еще яснее, что в последних экспериментах по машинному обучению используются самые мощные графические процессоры. Мы считаем, что это показывает возросшую важность графических процессоров для современного машинного обучения. И снова графические процессоры с машинным обучением демонстрируют более крутой наклон, чем общая тенденция (время удвоения 2,00 года по сравнению с 2,31 года для всех графических процессоров).

Наша более высокая оценка скорости улучшения производительности среди графических процессоров, используемых для исследований ML, может быть объяснена тем, что соответствующие лаборатории тратят больше ресурсов на закупку лучших графических процессоров с течением времени. Если бы это было так, это отражало бы просто изменение инвестиционных решений соответствующих исследовательских лабораторий, а не более высокую, чем обычно, скорость улучшения базового оборудования среди соответствующих графических процессоров, подходящих для рабочих нагрузок машинного обучения. Учитывая это, а также поскольку наши оценки для всех графических процессоров статистически значимо не различаются, мы ожидаем, что время удвоения ~2,5 года будет более надежной оценкой базовой скорости улучшения соотношения цены и производительности оборудования.

Тенденция самых производительных графических процессоров

Как мы видели в предыдущем разделе, последние модели машинного обучения, как правило, обучаются на самых современных графических процессорах. Таким образом, наблюдение за тенденцией наиболее производительных графических процессоров может быть хорошим индикатором возможностей машинного обучения в будущем. Обратите внимание, что это не означает, что мы думаем, что производительность графического процессора будет расти линейно. Мы опубликуем более подробные мысли о прогнозах на основе этих данных во второй части.

Здесь мы выбираем подмножество графических процессоров, у которых были самые высокие значения FLOP/s на доллар в течение каждого месяца. Для этого подмножества моделей мы находим время удвоения 2,9.5 лет (95% ДИ: 2,54–3,52 года), что статистически значимо больше, чем обычное время удвоения.

Рисунок 7. FLOP/с на доллар для нашего набора данных и отдельно для самых производительных графических процессоров по сравнению с соответствующими тенденциями, обнаруженными в других источниках

Все тренды (таблица и рисунок)

Чтобы сравнить все тенденции, которые мы выделили выше, и те, которые вы можете найти в приложении, мы собрали все тенденции и для каждой указали соответствующее время, необходимое для увеличения в 2 и 10 раз.

Таблица 3. Сводка наших выводов о тенденциях соотношения цены и производительности графических процессоров и соответствующих тенденциях в существующей литературе. 95% доверительные интервалы показаны в квадратных скобках.

Тренд	Оригинальная презентация	2 раза	10 раз	Скорость роста	Артикул
Закон Мура	2 раза каждые 2 года	2 года	6,64 года	0,151 OOM/год	Флоп/с
Закон Хуанга	25 раз каждые 5 лет	1,08 года	3,58 года	0,279 OOM/год	Флоп/с
Отчет о биологических якорях (Cotra, 2020)	2 раза каждые 2,5 года	2,5 года	8,30 лет	0,120 OOM/год	FLOP/с за доллар
История ЦП (AI Impacts, 2019)	10 раз каждые 7,7 года	2,32 года	7,7 лет	0,130 OOM/год	FLOP/с за доллар
Медианная группа, 2018	2 раза каждые 1,5 года	1,5 года	5,0 лет	0,200 OOM/год	FLOP/с за доллар
Наши данные (n=470)	—	2,46 года [2,24, 2,72]	8,17 лет [7,45, 9,04]	0,122 OOM/год [0,134, 0,111]	FLOP/с за доллар
Наши данные (n=470)	—	2,31 года [2,14, 2,51]	7,68 лет [7,12, 8,33]	0,130 OOM/год [0,140, ​​0,120]	Флоп/с
Наши данные FP16 (n=91)	—	2,30 года [1,69, 3,62]	7,64 года [5,60, 12,03]	0,131 Ом/год [0,179, 0,083]	FLOP/с за доллар
Наши данные FP16 (n=91)	—	2,91 года [1,94, 5,83]	9,68 лет [6,45, 19,35]	0,103 OOM/год [0,155, 0,052]	Флоп/с
ML GPU (n=26)	—	2,07 года [1,54, 3,13]	6,86 лет [5,12, 10,39]	0,146 OOM/год [0,195, 0,096]	FLOP/с за доллар
ML GPU (n=26)	—	2,00 года [1,69, 2,43]	6,63 года [5,63, 8,07]	0,151 OOM/год [0,178, 0,124]	Флоп/с
Лучшие графические процессоры (n=57)	—	2,95 года [2,54, 3,52]	9,81 лет [8,45, 11,71]	0,102 OOM/год [0,118, 0,085]	FLOP/с за доллар
Лучшие графические процессоры (n=57)	—	2,69 года [2,40, 3,30]	8,92 года [7,99, 10,95]	0,112 OOM/год [0,125, 0,091]	Флоп/с

Рисунок 8. FLOP/s на доллар для нашего набора данных и различных подгрупп по сравнению с соответствующими тенденциями, обнаруженными в других источниках

Заключение

Мы обнаружили, что тенденция всех данных показывает время удвоения 2,46 года, тенденция, предполагаемая графическими процессорами, используемыми в ML, показывает время удвоения 2,07 года, а тенденция, предполагаемая лучшими графическими процессорами каждого месяца, показывает время удвоения 2,95. Мы считаем, что время удвоения менее 2 лет или более 3 лет маловероятно, учитывая данные. Кроме того, мы считаем, что часть тенденции в области графических процессоров ML может быть объяснена тем, что ML отдает приоритет лучшим графическим процессорам, а не фактическим аппаратным достижениям. Поэтому мы считаем, что время удвоения в 2 года слишком агрессивно, и ~ 2,5 года точно описывает время удвоения соотношения цены и производительности для графических процессоров за последние 15 лет.

Приложение A. Удаление данных до 2006 года

В итоге нам показалось, что аргументы в пользу сохранения данных были слабее, чем в пользу их удаления. Короче говоря, очень неясно, измеряются ли данные до 2006 года сопоставимым образом и действительно ли графические процессоры до 2006 года сопоставимы с графическими процессорами после 2006 года.

Аргументы за включение данных до 2006 года:

1. Медианная группа предоставила данные и каким-то образом получила оценку FLOP/s

Аргументов против включения данных до 2006 г.:

1. Данные на графике выглядят подозрительно
2. Алисса Вэнс указала в комментарии, что графические процессоры общего назначения не разрабатывались до 2005 года, а cuda не существовала до 2007 года. Это означает, что мы говорим о каких-то очень разных графических процессорах, которые имеют мало общего с графическими процессорами, о которых мы говорим. Cегодня.
3. Измерение «теоретической производительности» недоступно для большинства графических процессоров до 2006 года. Поэтому неясно, как эти данные были первоначально собраны.
   1. Список графических процессоров до 2006 года:
      1. GeForce 2 GTS Pro (без FLOP/с)
      2. GeForce 3 (без FLOP/с)
      3. GeForce 3 Ti500 (без FLOP/с)
      4. GeForce 3 Ti200 (без FLOP/с)
      5. GeForce FX 5200 (без FLOP/с)
      6. GeForce FX 5200 Ultra (без FLOP/с)
      7. GeForce FX 5600 Ultra (без FLOP/с)
      8. GeForce FX 5800 (без FLOP/с)
      9. GeForce FX 5800 Ultra (без FLOP/с)
      10. GeForce FX 5900 / 5900 XT / 5900 ZT (без FLOP/с)
      11. GeForce FX 5700 Ultra (без FLOP/с)
      12. GeForce FX 5950 Ultra (без FLOP/с)
      13. GeForce FX 5900 Ultra (без FLOP/с)
      14. GeForce 6200 TurboCache 64-TC/256 МБ (без FLOP/с)
      15. Графический процессор ATI Xbox 360, 90 нм (ДА, FLOP/s)
   2. Похоже, что после 2006 года карты модели GPU имеют производительность FP32 FLOP/s. Вот несколько образцов
      1. GeForce 7900 GX2 (2006 г., без FLOP/с)
      2. GeForce 8800 GTX (2006, ДА FLOP/s)
      3. GeForce 8800 GTS 640 (2006, ДА FLOP/s)
      4. GeForce 8600 GT (2007, ДА FLOP/s)
      5. GeForce 8500 GT (2007, ДА FLOP/s)
      6. Radeon HD 2900 XT (2007 г., ДА FLOP/s)
      7. После этого тренд продолжается

Приложение B. Проверка устойчивости для FLOP/s

В нашем наборе данных мы смотрим только на графические процессоры, для которых у нас есть FLOP/s и информация о цене, поскольку нас интересуют производительность и цена. Однако существует гораздо больше графических процессоров, у которых есть информация о производительности, чем о тех, для которых у нас есть и производительность, и цена. Мы находим 1848 точек данных, для которых у нас есть данные FLOP/s. Чтобы убедиться, что нет эффекта отбора, мы также анализируем тренд «только FLOP/s».

Рисунок 9. Эмпирические значения FLOP/s для всех графических процессоров, для которых у нас есть информация о FLOP/s для

Мы находим, что это в значительной степени точно совпадает с тем, что мы видим из нашей предыдущей выборки, и поэтому делаем предварительный вывод, что нет причин отбрасывать наши предыдущие результаты. Мы также видим, что графические процессоры, для которых у нас есть данные о ценах, как правило, имеют более высокие значения FLOP/s. Мы предполагаем, что более мощные графические процессоры используются чаще и, следовательно, имеют более высокую доступность ценовой информации.

Больше графиков FLOP/s

Для всех графиков, используемых в статье, также есть версия, в которой мы рассматриваем только информацию о FLOP/s. Обратите внимание, что это не данные «просто-FLOP/s» из предыдущего раздела. Скорее это тот же набор данных, что и в основном тексте, но мы не делили его по цене.

Рисунок 10. Эмпирические FLOP/s для нашего набора данных

Рисунок 11. Эмпирические FLOP/s для нашего набора данных с подмножеством графических процессоров, используемых для машинного обучения.

Рисунок 12. Эмпирический показатель FLOP/s для графических процессоров с самым высоким значением FLOP/s за каждый месяц

Рисунок 13. Эмпирические значения FLOP/s для графических процессоров с лучшими FLOP и графическими процессорами ML вместе взятых

Рисунок 14. Эмпирический показатель FLOP/s для FP16 и FP32

Мы не включили их в основной текст, потому что они показывают очень похожие наклоны, как FLOP/s на доллар, и мы считаем, что FLOP/s на доллар является более важным показателем.

1. Эта работа не пытается спрогнозировать будущее соотношение цены и качества графических процессоров, а просто оценивает недавнюю историческую тенденцию. В будущей работе мы намерены исследовать, какие тенденции соотношения цены и производительности графических процессоров информируют нас об историческом росте расходов на оборудование в машинном обучении и будущих крупных учебных курсах по машинному обучению. ↩

2. Кроме того, мы обнаружили ошибки в оценках по результатам предыдущего расследования, проведенного Median Group (2018 г.), на которые мы указали им, и которые они с тех пор исправили. ↩

3. К сожалению, мы не можем опубликовать наши данные, но код, который сгенерировал все цифры, можно найти здесь. ↩

4. Например, считайте NVIDIA Tesla K40c и NVIDIA Tesla K40d одними и теми же моделями, поскольку они имеют практически идентичные характеристики. ↩

5. Мы уделяем основное внимание этим показателям, поскольку нас в основном интересуют вопросы, связанные с объемом вычислений, которые могут быть развернуты для крупных экспериментов с ИИ. Хотя есть и другие показатели, которые могут представлять интерес (например, эффективность использования энергии), мы не рассматриваем их здесь, поскольку они менее непосредственно связаны с вопросами, мотивирующими нашу работу, и потому что они были проанализированы в предыдущих работах, особенно в Sun et al. ., 2019. ↩

6. Это наша интерпретация раздела 4 ее проекта отчета, где она пишет: «Я также предполагаю, что эффективные FLOP/s на доллар удваиваются примерно каждые 2,5 года примерно в 2025 году. Это медленнее, чем закон Мура (который постулирует ~1- 2 года удвоения и достаточно хорошо описывал рост до середины 2000-х годов), но быстрее, чем рост эффективных FLOP/s на доллар с ~ 2008 по 2018 год (время удвоения ~ 3-4 года) »↩

7. FLOP на доллар в Cotra 2020 – это общий объем вычислений, которые можно выполнить на доллар. ↩

8. Мы также сначала рассмотрели производительность FP64, но решили не включать анализ, поскольку производительность FP64 кажется намного ниже, чем производительность FP32 для новых графических процессоров. Мы интерпретируем это как то, что производители графических процессоров отказываются от приоритета FP64 в пользу FP32 и FP16. ↩

9. Мы подозреваем, что это связано с тем, что их подход включает анализ движущихся оптимумов, что в их случае включает анализ 9точки данных, которые, по нашему мнению, недостаточны для уверенности в их точечной оценке. ↩

Таблица

: видеокарты Nvidia по-прежнему являются лучшим выбором для геймеров на ПК

Видеокарты

от