VDI: GRID vPC testato su un server con 2 Intel Xeon Gold 6148 (20c, 2.4 GHz), GRID vPC con T4-1B (64 VM), VMware ESXi 6.7, NVIDIA vGPU Software (410.91/412.16), Windows 10 (1803), 2 vCPU, RAM da 4 GB RAM, risoluzione 1920x1080, monitor singolo, esperienza utente VMware Horizon 7.6 misurata utilizzando uno strumento di benchmark interno di NVIDIA che misura le applicazioni per la produttività in ufficio con frame remoti come Microsoft PowerPoint, Word, Excel, Chrome, visualizzazione PDF e riproduzione video.
Machine Learning: nodi CPU (61 GB di memoria, 8 vCPU, piattaforma 64-bit), Apache Spark. Set di dati CSV da 200 GB; la preparazione dei dati include unioni, trasformazioni variabili. Configurazione server GPU: Xeon Dual-Socket E5-2698 v4 a 3.6 GHz, 20 GPU T4 su 5 nodi, ciascuno con 4 GPU T4. Tutti eseguiti su rete InfiniBand, dati CPU per XGBoost e conversione dati stimati in base ai dati misurati per i 20 nodi CPU e riducendo i tempi di esecuzione del 60% per normalizzare per il training su set di dati più piccoli su T4.
Training e inferenza su deep learning: GPU: Xeon Dual-Socket E5-2698 v4 a 3.6 GHz. Server GPU: 2 T4 per training, 1 T4 per inferenza, container NGC 18.11-py3 con CUDA 10.0.130; NCCL 2.3.7, cuDNN 7.4.1.5; cuBLAS 10.0.130 | Driver NVIDIA: 384.145.