"reformat table"

69eaa568 · dzhwinter · 779a27e9 · 69eaa568
隐藏空白更改
内联并排

Showing with 37 addition and 45 deletion

source/advanced_usage/benchmark.rst source/advanced_usage/benchmark.rst +37 -45

未找到文件。
--- a/source/advanced_usage/benchmark.rst
+++ b/source/advanced_usage/benchmark.rst
@@ -3,35 +3,35 @@
 #################

 本文介绍如何给深度学习框架做基准测试。基准测试主要包含验证模型的精度和性能两方面，下文包含搭建测试环境，选择基准测试模型，验证测试结果等几方面内容。
-验证深度学习框架，可分为训练和测试两个阶段, 验证指标略有不同，本文只介绍训练阶段的指标验证。训练阶段关注的是模型训练集上的精度，训练集是完备的，因此关注大batch\_size下的训练速度,关注吞吐量，例如图像模型常用的batch\_size=128, 多卡情况下会加大; 预测阶段关注的是在测试集上的精度，线上服务测试数据不能提前收集，因此关注小batch\_size下的预测速度，关注延迟，例如预测服务常用的batch\_size=1, 4等。
+
+验证深度学习框架，可分为训练和测试两个阶段， 验证指标略有不同，本文只介绍训练阶段的指标验证。训练阶段关注的是模型训练集上的精度，训练集是完备的，因此关注大batch\_size下的训练速度,关注吞吐量，例如图像模型常用的batch\_size=128, 多卡情况下会加大；预测阶段关注的是在测试集上的精度，线上服务测试数据不能提前收集，因此关注小batch\_size下的预测速度，关注延迟，例如预测服务常用的batch\_size=1, 4等。
+
 `Fluid <https://github.com/PaddlePaddle/Paddle>`__ 是PaddlePaddle从0.11.0版本开始引入的设计，本文的基准测试在该版本上完成。

 环境搭建
 ########
 基准测试中模型精度和硬件、框架无关，由模型结构和数据共同决定；性能方面由测试硬件和框架性能决定。框架基准测试为了对比框架之间的差异，控制硬件环境，系统库等版本一致。下文中的对比实验都在相同的硬件条件和系统环境条件下进行.
-不同架构的GPU卡性能差异巨大，在验证模型在GPU上训练性能时，可使用NVIDIA提供的工具`nvidia-smi`检验当前使用的GPU型号，如果测试多卡训练性能，需确认硬件连接是`NVlink <https://zh.wikipedia.org/zh/NVLink>`__ 或 `PCIe <https://zh.wikipedia.org/zh-hans/PCI_Express>`__。同样地，CPU型号会极大影响模型在CPU上的训练性能。可读取`/proc/cpuinfo`中的参数，确认当前正在使用的
-CPU型号。
-下载GPU对应的Cuda Tool Kit`Cuda <https://developer.nvidia.com/cuda-toolkit>`__ 和 Cudnn，或者使用NVIDIA官方发布的nvidia-docker镜像 `nvidia-docker <https://github.com/NVIDIA/nvidia-docker>`__。 Cuda Tool Kit包含了GPU代码使用到的基础库，影响在此基础上编译出的Fluid二进制运行性能。
+
+
+不同架构的GPU卡性能差异巨大，在验证模型在GPU上训练性能时，可使用NVIDIA提供的工具:code `nvidia-smi`检验当前使用的GPU型号，如果测试多卡训练性能，需确认硬件连接是`nvlink <https://zh.wikipedia.org/zh/NVLink>`__ 或 `PCIe <https://zh.wikipedia.org/zh-hans/PCI_Express>`__。 同样地，CPU型号会极大影响模型在CPU上的训练性能。可读取`/proc/cpuinfo`中的参数，确认当前正在使用的CPU型号。
+
+下载GPU对应的Cuda Tool Kit和 Cudnn，或者使用NVIDIA官方发布的nvidia-docker镜像 `nvidia-docker <https://github.com/NVIDIA/nvidia-docker>`__, 镜像内包含了Cuda和Cudnn，本文采用这种方式。 Cuda Tool Kit包含了GPU代码使用到的基础库，影响在此基础上编译出的Fluid二进制运行性能。
+
 准备好Cuda环境后，从github上的下载Paddle并源码编译，会生成对应的最适合当前GPU的sm\_arch二进制\ `sm\_arch <https://docs.nvidia.com/cuda/cuda-compiler-driver-nvcc/index.html>`__\ 。另外，cudnn对卷积类任务影响巨大，在基准测试中需要小版本一致，例如Cudnn7.0.2与Cudnn7.1.4在Resnet上有5%以上差异。


 选择基准模型
 ############
-对框架做基准测试，需要覆盖不同训练任务和不同大小的模型。本文中选取了图像和NLP的典型模型。
-+------------+------------+-----------+------------+
-| 任务种类 | 模型名称 | 网络结构 | 数据集|
-+============+============+===========+============+
-| 图像分类 | mnist | Lenet | mnist|
-+------------+------------+-----------+------------+
-| 图像分类| VGG | VGG-16 | Flowers102|
-+------------+------------+-----------+------------+
-| 图像分类| Resnet | Resnet-50 | Flowers102|
-+------------+------------+-----------+------------+
-| 文本分类| Stacked-LSTM | Stacked-LSTM | IMDB |
-+------------+------------+-----------+------------+
-| 机器翻译| seq-seq | Stacked-LSTM | wmt14 |
-+------------+------------+-----------+------------+
-
+对框架做基准测试，需要覆盖不同训练任务和不同大小的模型，本文中选取了图像和NLP的最为常用的5个模型。
+============  ============  =================  ============
+任务种类        模型名称       网络结构         数据集     
+============  ============  =================  ============
+图像分类      mnist         Lenet              mnist
+图像分类      VGG           VGG-16             Flowers102
+图像分类      Resnet        Resnet-50          Flowers102
+文本分类      Stacked-LSTM  Stacked-LSTM       IMDB 
+机器翻译      seq-seq       Stacked-LSTM       wmt14 
+============  ============  =================  ============

 其中mnist, VGG, Resnet属于CNN模型, stacked-lstm, seq2seq代表RNN模型。
 `benchmark <https://github.com/PaddlePaddle/Paddle/tree/develop/benchmark/fluid>`__
@@ -87,32 +87,24 @@ TensorFlow版本为\ `v.1.4.0-rc1 <https://github.com/tensorflow/tensorflow/tree

 - CPU 单机单线程测试结果

-+----------------+--------------------+-------------------+
-| Speed          | Fluid CPU          | TensorFlow CPU    |
-+================+====================+===================+
-| mnist          | 1298.75 samples/s      | 637.57 samples/s    |
-+----------------+--------------------+-------------------+
-| VGG-16         | 0.4147 images/s    | 0.1229 images/s   |
-+----------------+--------------------+-------------------+
-| Resnet-50      | 1.6935 images/s    | 0.3657 images/s   |
-+----------------+--------------------+-------------------+
-| Stacked-LSTM   | 472.3225 words/s   | 48.2293words/s    |
-+----------------+--------------------+-------------------+
-| Seq2Seq        | 217.1655 words/s   | 28.6164 words/s   |
-+----------------+--------------------+-------------------+
+  ================  ====================  ===================
+   Speed            Fluid CPU              TensorFlow CPU    
+  ================  ====================  ===================
+  mnist             1298.75 samples/s     637.57 samples/s  
+  VGG-16            0.4147 images/s       0.1229 images/s   
+  Resnet-50         1.6935 images/s       0.3657 images/s   
+  Stacked-LSTM      472.3225 words/s      48.2293words/s    
+  Seq2Seq           217.1655 words/s      28.6164 words/s   
+  ================  ====================  ===================

 - GPU 单机单卡测试结果

-+----------------+----------------+---------------------+
-| Speed          | Fluid GPU      | TensorFlow GPU      |
-+================+================+=====================+
-| mnist          | 19710.90 samples/s   | 15576.3 samples/s        |
-+----------------+----------------+---------------------+
-| VGG-16         | 59.83327       | 40.9967 images/s    |
-+----------------+----------------+---------------------+
-| Resnet-50      | 105.84412      | 97.8923 images/s    |
-+----------------+----------------+---------------------+
-| Stacked-LSTM   | 1319.99315     | 1608.2526 words/s   |
-+----------------+----------------+---------------------+
-| Seq2Seq        | 7147.89081     | 6845.1161 words/s   |
-+----------------+----------------+---------------------+
+  =============== =====================  =================
+   Speed           Fluid GPU              TensorFlow GPU      
+  =============== =====================  =================
+   mnist           19710.90 samples/s    15576.3 samples/s        
+   VGG-16          59.83327 images/s     40.9967 images/s    
+   Resnet-50       105.84412             97.8923 images/s    
+   Stacked-LSTM    1319.99315            1608.2526 words/s   
+   Seq2Seq         7147.89081            6845.1161 words/s   
+  =============== =====================  =================