8、硬件加速与分布式计算系统的定制优化

硬件加速与分布式计算系统的定制优化

1. 硬件加速器性能分析

在硬件加速领域，训练加速器原型与无加速效果的 Tesla K40C 相比具有一定合理性。若主要考虑性能因素，GPU 确实是出色的平台。

1.1 功率效率

对比 Intel Core i7 CPU、Nvidia Tesla K40C GPU 和训练加速器的功率效率，以 ml - 100k 数据集为例，结果如下：
|对比平台|功率倍数（相对于训练加速器）|
| ---- | ---- |
|Core i7 1 - thread|约 33× - 88×（随线程数变化）|
|Core i7 2 - threads|约 33× - 88×（随线程数变化）|
|Core i7 4 - threads|约 33× - 88×（随线程数变化）|
|Core i7 8 - threads|约 33× - 88×（随线程数变化）|
|Tesla K40C|约 100×|

从数据可知，CPU 运行时功率随线程数增加而上升，GPU 的运行功率也远高于训练加速器原型。

1.2 能源效率

• 与 Intel Core i7 CPU 对比 ：在 ml - 100k 数据集中，基于用户的协同过滤（CF），CPU 能耗约为训练加速器的 41 倍；基于物品的 CF 和 SlopeOne 算法，能耗约为 21 倍。可见训练加速器原型相比 CPU 具有显著的节能优势。
• 与 Nvidia Tesla K40C 对比