布里斯托尔，12 月 9 日 - Graphcore 推出 IPU-M 和垂直可扩展的 IPU-POD64，其最新的 AI 计算系统获得了第一组性能基准测试。
在各种流行模型中，Graphcore 技术在训练和推理方面均显着优于 NVIDIA 的 A（基于 DGX）。
亮点包括： 训练 EfficientNet-B4：吞吐量提高 18 倍 ResNeXt-：吞吐量提高 3.7 倍 Yao-Large：与 DGX A 相比，IPU-POD64 上的训练时间缩短 5.3 倍（与双 DGX 系统相比，缩短 2.6 倍） 推理 · LSTM：吞吐量增加10倍以上，时延更低·EfficientNet-B0：吞吐量提升60倍/时延降低16倍以上ResNeXt-：吞吐量提升40倍/时延降低10倍时代·BERT-大：实现3.4 x 吞吐量增加且延迟更低。
Benchmark包括BERT-Large（基于Transformer的自然语言处理模型）在IPU-POD64的所有64个处理器上运行的结果。
Yao-Large 的训练时间比最新的 NVIDIA DGX-A 快 5.3 倍（比双 DGX 设置快 2.6 倍以上），这一结果凸显了 Graphcore IPU-POD 横向扩展解决方案在数据中心的优势， Poplar 软件堆栈能够管理利用并行工作的多个处理器的复杂工作负载。
Graphcore 软件高级副总裁 Matt Fyles 在评论测试结果时表示：“这套全面的基准测试表明，Graphcore 的 IPU-M 和 IPU-POD64 在许多流行型号上的性能优于 GPU。
”此类新模型的基准特别具有启发性，因为它们表明人工智能的发展方向越来越倾向于 IPU 的专用架构，而不是传统的图形处理器设计。
“客户需要能够处理稀疏性，才能有效地运行大型工作负载。
可扩展模型的计算系统，这是 Graphcore IPU 所擅长的，随着客户需求的这种趋势，差距只会继续扩大。
》Graphcore为阿里云HALO定制的代码在GitHub正式开源。
Graphcore是阿里云HALO的合作伙伴之一。
为阿里云HALO定制开发的代码odla_PopArt已在HALO的GitHub上开源。
详情请另外参见MLCommons除了发布综合基准测试之外，Graphcore 还宣布加入了新成立的 MLPerf 子公司 MLCommons，并成为 MLCommons 的成员，并将于今年开始参与 MLCommons 比较基准测试。
请参阅 MLCommons 的成立公告。
PyTorch 和 Poplar 1.4 Graphcore 用户现在可以利用 Poplar SDK 1.4，包括完整的 PyTorch 支持，PyTorch 已成为从事尖端 AI 研究的开发人员的首选框架，并已获得大量快速支持。
PapersWithCode 的最新数据显示，47% 的已发表论文及相关代码使用 PyTorch 框架（2019 年 9 月）。
额外的 PyTorch 支持，加上 Poplar 现有的 TensorFlow 支持，意味着绝大多数 AI 应用程序现在可以轻松部署在 Graphcore 系统上。
与 Poplar 软件堆栈的其他元素一样，Graphcore 正在将其用于 IPU 的 PyTorch 接口库开源，让社区能够为 PyTorch 做出贡献并加速其开发。