Vakar „Nvidia“ paskelbė, kad būsimas H100 GPU “Hopper” Tensor Core įdiegė naujus
MPerf etalonai matuoja darbo krūvius„išvesties“, kurios parodo, kaip gerai lustas gali pritaikyti iš anksto paruoštą mašininio mokymosi modelį naujiems duomenims. Pramonės įmonių grupė, žinoma kaip MLCommons, 2018 m. sukūrė MLPerf etalonus, siekdama pateikti standartizuotą metriką, skirtą mašininio mokymosi našumui pateikti potencialiems klientams.
Visų pirma, H100 gerai pasirodėBERT-Large etalonas, matuojantis natūralios kalbos apdorojimo našumą naudojant „Google“ sukurtą BERT modelį. „Nvidia“ šį konkretų rezultatą priskiria „Hopper“ architektūros transformatoriaus varikliui, kuris ypač pagreitina transformacijos modelių mokymą. Tai reiškia, kad H100 gali paspartinti būsimus natūralios kalbos modelius, tokius kaip OpenAI GPT-3, kuris gali rašyti įvairiais stiliais ir pokalbius.
Prognozuojama, kad lustas, kuris vis dar kuriamas, pakeis A100 kaip pavyzdinį bendrovės duomenų centro GPU.