> 新闻中心 > 评测室
英伟达2020年5月14号发布的基于新架构的A100加速计算卡，根据官方宣传：自动混合精度和FP16，可以为A100带来2倍的性能提升；
而且，在不更改代码的情况下，具有TF32的A100与英伟达Volta相比，性能能够高出整整20倍！
那么，A100与V100相比，这两款显卡究竟有多大差距呢？一起来看看。
△ 英伟达A100 GPU
相比V100，A100的单精度浮点计算能力，从15.7TFLOPS提升至19.5TFLOPS；而双精度浮点运算从7.8TFLOPS提升至9.7TFLOPS。
在英伟达的公开信息中，列出了A100与V100的参数对比：
在BERT深度学习训练中，两款显卡的速度对比：
在其他训练模型下，A100是否能有同样出色的表现？
两款显卡均选择适用于NVLink的产品进行测试，在32位精度下，采用PyTorch训练。
对于A100，32位是指FP32+TF32；对于V100，指的是FP32。
测试分为两部分：卷积神经网络训练速度、语言模型训练速度。
我们将一块V100的32位的训练速度归一化，对比了不同数量GPU的训练速度。
得到结果：
1块A100 VS 1块V100，进行32位训练：前者速度是后者的2.17倍；
4块V100 VS 1块V100，进行32位训练：前者速度是后者的3.88倍；
8块A100的混合精度训练 VS 1块V100的32位训练：前者速度是后者的20.35倍。
与上面的对比方法相同。
将结果在Transformer-XL base、Transformer-XL large、Tacotron 2和ERT-base SQuAD上取平均值。
得到结果：
例如：
1块A100 VS 1块V100，进行32位训练：前者速度是后者的3.39倍；
4块V100的混合精度训练 VS 1块V100的32位训练：前者速度是后者的7.97倍；
8块A100的混合精度训练 VS 1块V100的32位训练：前者速度是后者的42.60倍。
在卷积神经网络训练中：
1块A100的训练速度是1块V100的2.2倍；
使用混合精度时，前者则是后者的1.6倍。 在语言模型训练中：
1块A100的训练速度是1一块V100的3.4倍；
使用混合精度时，前者则是后者的2.6倍。
渝公网安备 50010702500475号