鎧俠SAS口 PX04S SSD

三星PCIe卡983ZET

英特爾傲騰900P

測試中分析了機器學習在訓練階段的性能表現(xiàn)，測試程序用的是byteLAKE的EWA Gurad，它是一個實時監(jiān)測模型，該模型包括一個輸入層，22個卷積層，5個池化層，2個路由層，還有一個探測層。

測試優(yōu)劣的評判標準是時間，就是做5000個Epoch所耗費的時間，每換一次SSD就進行一次測試，測試結果如下。

• 鎧俠 98小時 24分
• 三星 98小時 44分
• 英特爾 98小時 42分

明顯可見，本地的SSD對性能幾乎沒有影響，換了不同性能的SSD，既有SAS口的，也有PCIe口的，既有NAND SSD也有機遇3D Xpoint的SSD，最終性能表現(xiàn)都差不多。

在數(shù)據(jù)的獲取時，SSD會有優(yōu)勢，但在計算環(huán)節(jié)，對SSD的要求并不高，那是不是說明CPU的訓練能力不夠，導致瓶頸呢？

為了進一步測試，在服務器里加入來了一塊英偉達T4顯卡，然后再跑一下測試。

• 鎧俠 4h 30分鐘
• 三星 4小時 28分鐘
• Intel 4小時 27分鐘

GPU的加速效果還是非常明顯的，提升了22倍，計算性能提升來的話，SSD的性能差異是否明顯呢？從數(shù)據(jù)來看，顯然還是沒什么影響。

測試結果發(fā)現(xiàn)，高性能的存儲并沒有提升AI訓練階段的性能，由于AI模型的復雜結構限制，機器學習訓練的時間要遠遠高于數(shù)據(jù)載入的時間。雖然英偉達T4顯卡加速了機器學習的速度，但并沒有讓SSD發(fā)揮優(yōu)勢，

當然，想要看具體某個零部件對于系統(tǒng)性能影響的話還需要許多細致的工作，比如，換一個AI框架，換別的零部件什么的。這一測試其實是有意義的，可以讓我們找出有利于性能提升的部分，把錢花在刀刃上。

zhupb