Nvidia TensorRT ile Yapay Zeka Performansını Artırıyor - Dünyadan Güncel Teknoloji Haberleri

AMD’nin DirectML çatalının bazı benzer seçenekleri var, ancak şu anda karşılaştığımız bazı sınırlamalar var (örneğin, birden fazla toplu iş boyutu yapamıyoruz) Ancak güncellenen yerel verilerle daha anlamlı bir yanıt verebiliyor

Nvidia’nın en yeni RTX 40 serisi GPU’larının tümünü ayarlama sürecinden geçirdik (optimum performans için her birinin ayrı ayrı yapılması gerekiyor), ayrıca Xformers kullanarak temel Stabil Difüzyon performansını ve performansını test ettik

İlginç olan, (şu ana kadar test edilen GPU’lar arasında) en küçük kazancın RTX 3090’dan gelmesi AMD ve Intel modellerinde de daha fazla ayarlama yapılmasını bekliyoruz, ancak zamanla kazanımların azalması muhtemeldir

Kullanılan model formatına bağlı olarak göreceli performansta bazı mütevazı farklılıklar vardır TensorRT’nin avantajlarından yararlanmak için bir geliştiricinin normalde modellerini doğrudan TensorRT’nin beklediği formata yazması veya mevcut bir modeli bu formata dönüştürmesi gerekir Bu, modellerin çeşitli yapay zeka hızlandırma çerçeveleri arasında kolayca taşınmasına olanak tanır Bu durumda işler Alan Wake 2 açıklanmış resmi bir bilgi yok En yeni optimize edilmiş araçları kullanarak bir dizi ek GPU’yu yeniden test ettiğimiz için AMD, Intel ve Nvidia’nın Stable Diffusion’daki performansını karşılaştıran tam güncellemeye tam olarak hazır değiliz, bu nedenle bu ilk görünüm yalnızca Nvidia GPU’lara odaklanıyor AI ve ML modelleri ve operatörleri için açık bir format olan ONNX’ten yararlanan temel Hugging Face kararlı dağıtım modeli, bir ONNX formatına dönüştürülür Artık Nvidia, TensorRT ile aradaki farkı yeniden genişletmeye hazır

Genel verimde çeşitli faktörler rol oynar

Güncellenen TensorRT elbette yalnızca Kararlı Difüzyon için geçerli değil

Son olarak, Yüksek Lisans’lara yönelik yapay zeka odaklı güncellemelerin bir parçası olarak Nvidia, Llama 2’nin temel model olarak kullanılmasına ve ardından daha alana özel ve güncel bilgi için yerel verilerin içe aktarılmasına olanak sağlayacak bir TensorRT-LLM aracı üzerinde de çalışıyor Daha sonra genel oranı belirlemek için üç ayrı çalışmanın veriminin ortalamasını aldık; böylece her model formatı ve GPU için toplam 72 görüntü oluşturuldu (atılan çalıştırmalar hariç) TensorRT şu adresten indirilebilir olmalıdır: Nvidia’nın Github sayfası şimdi, bu ilk bakışın amaçları doğrultusunda erken erişime sahiptik İlk bakışımız kullanıldı Otomatik1111’in web arayüzüBaşlangıçta yalnızca Windows altında Nvidia GPU’ları destekliyordu konularda tüm bilgileri sağlar, ancak son olaylar veya duyurular hakkında hiçbir bilgisi yoktur AMD GPU’ların en yeni sürümlerle tam olarak test edilmesi üzerinde çalışıyoruz

Grafiğin gösterdiği gibi, tek bir metin kümesi oluşturmanın mütevazı bir faydası var, ancak bu durumda GPU (RTX 4090) tam anlamıyla çalışmıyor gibi görünüyor VSR 1 Bunun neler yapabileceğine bir örnek olarak, Nvidia, araca 30 yeni Nvidia haber makalesini aktardı ve temel Llama 2 modeli ile model arasındaki yanıt farkını bu yerel verilerle görebilirsiniz

Bunu kendi HammerBot’umuz için potansiyel bir kullanım durumu olarak görmeden edemeyiz, ancak bunun kendi sunucularımızda kullanılabilir olup olmadığını görmemiz gerekecek (çünkü bir RTX kartına ihtiyaç duyuyor) Bellek bant genişliği gibi GPU hesaplaması da oldukça önemlidir İçerik oluşturucu topluluğu genellikle 1,5 sonuçlarını tercih ettiğinden 2,1 yerine 1,5 kullanmaya “geri döndük”, ancak sonuçların yeni modellerle hemen hemen aynı olması gerekiyor

Peki TensorRT’de performansı bu kadar artırabilecek tam olarak neler oluyor? Bu konu hakkında Nvidia ile konuştum ve konu çoğunlukla kaynakların ve model formatlarının optimize edilmesiyle ilgiliydi 5, Nvidia’nın en yeni sürücüleriyle birlikte sunulmaktadır Nvidia, TensorRT kullanarak Llama 2 7B int4 çıkarımıyla ölçtüğü iyileştirmeleri detaylandıran yukarıdaki slaydı paylaştı Daha sonra ona şu tür şeyler sorabilirsiniz: “Chris ve ben geçen yıl hangi filmden bahsediyorduk?” ve bir cevap verebilirdi

Son olarak TensorRT’nin seçeneklerinden biri de bir modelle en uygun yolu ayarlayabilmenizdir TensorRT’nin bazı şeyleri ayarlaması birkaç dakika (veya bazen daha fazla) alır, ancak tamamlandığında, daha iyi bellek kullanımıyla birlikte performansta önemli bir artış elde etmelisiniz

Nvidia ayrıca, artık RTX 20 serisi GPU’ları destekleyen ve yerel yapıyı azaltan Video Süper Çözünürlüğüne yönelik güncellemeleri de duyurdu

Nvidia, AI/ML (Yapay Zeka/Makine Öğrenimi) ve LLM (Geniş Dil Modeli) araçları paketinde daha fazla iyileştirme üzerinde çalışmakla meşgul L2 önbellek boyutları da bunu hesaba katabilir, ancak bunu doğrudan modellemeye çalışmadık nvidia

Geçtiğimiz yıl boyunca Kararlı Difüzyonda çok fazla hareket gördük

Temel fikir, AMD ve Intel’in halihazırda yaptıklarına benzer Tüm Yüksek Lisans’larda olduğu gibi, eğitim verilerine ve sorduğunuz sorulara bağlı olarak sonuçların kalitesi biraz değişken olabilir

Bu arada TensorRT, Nvidia GPU’larında daha performanslı olacak şekilde tasarlandı

Resim 1 ile ilgili 3

Resim 1 ile ilgili 3

512×512 ve 768×768 boyutlarındaki yukarıdaki galerilerin her biri, Stabil Difüzyon 1 Söyleyebileceğimiz şey, temelde aynı özelliklere sahip olan (16GB’taki özel model nedeniyle biraz farklı saatler) 4060 Ti 16GB ve 8GB kartların neredeyse aynı performansa ve optimum parti boyutlarına sahip olduğudur

ONNX, başlangıçta Facebook ve Microsoft tarafından geliştirildi ancak Apache Lisans modelini temel alan açık kaynaklı bir girişimdir 512×512’lik 8’li toplu iş yapmak %10 daha yavaş olabilir, aşağı yukarı O zamandan bu yana, görüntü yapay zekası oluşturma araçlarına alternatif metin ve çatalların sayısında patlama yaşandı ve hem AMD hem de Intel, Nvidia’nın performansıyla aradaki farkı bir miktar kapatan daha ince ayarlı kitaplıklar yayınladı Ürettiğimiz genel TensorRT modeli, 512×512 ila 1024×1024 dinamik görüntü boyutuna, toplu iş boyutu bir ila sekize ve optimum 512×512 yapılandırmasına ve toplu iş boyutu 1’e sahip olabilir Her GPU için, optimum verimi bulmak amacıyla farklı toplu boyutlar ve toplu sayımlar çalıştırdık ve çalıştırma başına toplam 24 görüntü oluşturduk 5 modellerini kullanır Toplu iş boyutunun dörde çıkarılması genel verimi 3,6 kat artırırken, toplu iş boyutunun sekiz olması 4,4 kat hızlanma sağlar

Bunu tam Nvidia ile dünya performans karşılaştırması yapmaya çalışmıyoruz, ancak örnek olarak RX 7900 XTX’in güncellenmiş testi, 512×512 için dakikada yaklaşık 18~19 görüntü ve 768×768’de dakikada yaklaşık beş görüntü ile zirveye çıkıyor AMD RX 7800 XT ve RX 7700 XT incelemelerimizde en son Kararlı Difüzyon kıyaslamalarımızı görebilirsiniz operatörler ve bir dizi standart veri türü Buradan, kullandığınız belirli GPU için performansı daha da optimize edebilirsiniz

Temel model, anlamlı cümlelerin nasıl oluşturulacağı vb Bizim durumumuzda 512×512 ve 768×768 boyutunda toplu resimler yapıyoruz TensorRT daha sonra performansı 512×512’de yüzde 50~65 ve 768×768’de yüzde 45~70 oranında artırır İkincisi, 1080p monitörde 1080p yayın izliyorsanız, VSR’nin gürültü giderme ve görüntü iyileştirme konusunda yine de yardımcı olabileceği anlamına gelir

TesorRT-LLM henüz çıkmadı ancak şu tarihte mevcut olması gerekiyor: geliştirici Nvidia’nın en yeni GPU’larından bazılarını TensorRT kullanarak test ettik ve Stabil Difüzyon performansının %70’e kadar arttığını gördük Tüm bunları her GPU için en iyi yapılandırmayı bulmak amacıyla yaptık ONNX, AI modellerinin çok çeşitli arka uçlarla kullanılmasına izin verecek şekilde tasarlanmıştır: PyTorch, OpenVINO, DirectML, TensorRT, vb ONNX bu sürecin basitleştirilmesine yardımcı olur; bu nedenle AMD (DirectML) ve Intel (OpenVINO) tarafından Kararlı Difüzyonun ayarlanmış dalları için kullanılmıştır Otomatik1111 DirectML şubesive bu tamamlandığında güncellenmiş bir Kararlı Yayılım özetine sahip olacağız Ayrıca Intel Arc A770’in 512×512’de 15,5 görüntü/dakika ve 768×768’de 4,7 görüntü/dakika hızı yönettiğini unutmayın Kendi bilgilerinizi kullanarak potansiyel olarak daha akıllı bir arama seçeneğidir RTX 40 serisinde dördüncü nesil Tensor çekirdekleri, RTX 30 serisinde üçüncü nesil Tensor çekirdekleri ve RTX 20 serisinde ikinci nesil Tensor çekirdekleri bulunur (Volta mimarisi birinci nesil Tensor’dur) Temel model en yavaş olanıdır; Xformers performansı 512×512 görüntüler için yüzde 30 ila 80 arasında ve 768×768 görüntüler için yüzde 40 ila 100 arasında artırır TensorRT kazanımlarının Nvidia’nın tüm RTX serisine nasıl uygulandığını göstermek için bir RTX 30 serisi (RTX 3090) ve bir RTX 20 serisi (RTX 2080 Ti) ekledik

Nvidia’nın verdiği bir başka örnek de bu tür yerel verileri kendi e-postanız veya sohbet geçmişinizle kullanmaktı Bu, yedi milyar parametreye sahip bir metin oluşturma aracıdır Sınırlayıcı faktörün ne olabileceği tam olarak belli değil, ancak kesin bir sonuca varmak için ek GPU’ları test etmemiz gerekecek com (ücretsiz kayıt gereklidir) yakın gelecekte Bu durumda daha büyük toplu iş boyutları, birden fazla metin yanıtı oluşturmak için kullanılabilir; bu, kullanıcının tercih ettiği yanıtı seçmesine, hatta yararlıysa çıktının bölümlerini birleştirmesine olanak tanır Başka bir deyişle, daha yeni mimariler daha yetenekli olmalıdır; ancak Kararlı Yayılımda gerekli olan iş türü çoğunlukla ham bilgi işlem ve bellek bant genişliğine dayanıyor gibi görünmektedir En son eklenen TensorRT ve TensorRT-LLM, tüketici GPU’larının ve Stable Diffusion ve Llama 2 metin oluşturma gibi görevleri yürütmek için en iyi grafik kartlarının çoğunun performansını optimize etmek üzere tasarlandı ONNX, gerekli yerleşik özelliklerin yanı sıra bir hesaplama grafiği modeli sağlayarak farklı AI modellerinin ortak bir tanımına olanak tanır