eGPU 能否一战？- Tensorflow GPU 基准测试

前言

---

开始学习 Tensorflow，但是又不想投资一台专用的 GPU 工作站。我现在使用的主力电脑是：Thinkpad X1 Carbon，计划购置 eGPU 来加速 Tensorflow。

购置之前做了一些功课，发现对 eGPU 的游戏性能测试很多，但是缺乏准确的 Tensorflow Benchmarks 数据。只能摸着石头过河，根据网上资料进行推断，最终购买了 Gigabyte AORUS RTX 2070 Gaming Box。

安装好 Tensorflow-gpu 1.12 后，做了一个比较完整的 Tensorflow Benchmarks，看看 eGPU 在深度学习加速中，能否和内置 GPU 一战。

硬件环境

---

Thinkpad X1 Carbon 6th (2018) + Gigabyte AORUS RTX 2070 Gaming Box

CPU：Intel(R) Core(TM) i7-8550U CPU @ 1.80GHz （4核8线程）
Memory：16.0 GB @ 2133MHz
Storage：Samsung 512GB SSD
GPU 0：Intel(R) UHD Graphics 620
GPU 1：NVIDIA GeForce RTX 2070 @ 8GB（AORUS RTX 2070 Gaming Box @ H2D）
OS：Windows 10 Version 1809

Tips：

• RTX 2070 Gaming Box 官方提供了两个版本的 firmware。出厂为：F1.0 标准版；为提高计算能力，更新为：H2D 高性能版。

Tensorflow 版本

---

采用了 Anaconda 编译版本，运行在 Anaconda 工作环境中。

Tensorflow GPU 版本及 CUDA、cuDNN 版本：

(base) C:\Users\administrator>conda list "tensorflow-gpu|CUDA|cuDNN" --name tf-gpu
# packages in environment at C:\Users\administrator\Anaconda3\envs\tf-gpu:
#
# Name                    Version                   Build  Channel
cudatoolkit               9.0                           1
cudnn                     7.3.1                 cuda9.0_0
tensorflow-gpu            1.12.0               h0d30ee6_0

基准测试脚本

---

• 采用了 Tensorflow 官方基准测试脚本（Github - A benchmark framework for Tensorflow）。

注意！

• 测试脚本的 master branch 对应 Tensorflow latest nightly version，与 release version 并不兼容。因此，需要 clone 对应版本的 branch。例如：我 clone 的是 cnn_tf_v1.12_compatible。
• Anaconda 包含了 git 软件包，用指令：conda install git 来安装。

• 使用 git 命令，直接从 Github 上将 benchmarks 脚本 clone 回来。

git clone --single-branch --branch cnn_tf_v1.12_compatible https://github.com/tensorflow/benchmarks.git

基准数据来源

---

我没有其它的 GPU/TPU 用于性能对比，因此采用了网上的数据，引用了以下基准测试结果：

• 基准 | Tensorflow
• 机器人之家 - TensorFlow GPU基准测试：2080 Ti vs V100 vs 1080 Ti vs Titan V
• 知乎 - 3A平台上搭建机器学习平台（二）Benchmarks测试

测试方法

---

• 所有模型都在合成数据集上进行训练，这能将GPU性能与CPU预处理性能有效隔离开来。
• 对每个模型进行3次训练实验。测量每秒处理的图像数量，然后在3次实验中取平均值。
• 测试命令：

python tf_cnn_benchmarks.py --num_gpus=1 --variable_update=parameter_server --model= --batch_size=

实验中使用的 model_name 和 batch_size：

Model Name	Batch Size
resnet50	64
resnet152	32
inception3	64
vgg16	64
alexnet	512

测试结果

---

模型 / GPU	2070 eGPU	1080-Ti	2080	2080-Ti	Vega 64	V100
ResNet-50	176.93	203.99 (86.7%)	209.89 (84.3%)	286.05 (61.9%)	190.58 (92.8%)	386.63 (45.8%)
ResNet-152	62.22	82.83 (75.1%)	82.78 (75.2%)	110.24 (56.4%)	68.71 (90.6%)	131.69 (47.2%)
Inception v3	113.24	130.2 (87.0%)	141.9 (79.8%)	189.31 (59.8%)	103.82 (109.1%)	242.7 (46.7%)
VGG16	110.23	133.16 (82.8%)	123.01 (89.6%)	169.28 (65.1%)	101.95 (108.1%)	233 (47.3%)
AlexNet	2258.94	2720.59 (83.0%)	2567.38 (88.0%)	3550.11 (63.6%)	1573.01 (143.6%)	4707.67 (48.0%)

单位：image/sec；百分比：2070 性能 / 当前 GPU 性能。

从测试结果来看：

• AORUS RTX 2070 Gaming Box 大约是 2080/1080-Ti 的 83% 性能，2080-Ti 的 61.5% 性能，V100 的 47% 性能，比 Vega 64 略好。
• 从 userbenchmark.com 的测试来看，RTX 2070 的游戏性能大约是 GTX 1080-Ti 的 86%。也就是说，eGPU 由于 Thunderbolt 3 的带宽限制，引起的性能下降约为 4%，完全在可接受的范围。
• 由于 eGPU 的价格远远高于同型号内置 GPU（约高出￥2000 左右），因此性价比无法与内置 GPU 相比。
• 但从另一方面看，内置 GPU 需购置一整套系统来维持运作。一套 RTX 2070 的主机约 ￥9500，这个价格又远远超过 eGPU 的价格了。

结论

---

• eGPU 在性能上和内置 GPU 相当，损失约 4% 的性能。
• 价格可以接受，性价比远超 GPU 主机。
• 兼顾了性能和可移动性。
• 通常 eGPU 扩展坞自带了 PD 充电功能，可直接给笔记本供电。
• 噪声远小于 GPU 主机（办公室的 GPU 工作站实在是太吵，只好搬到机房去，在家不可能使用这么吵的主机）。
• 用于深度学习入门及应用研究，同时又不打算购置一台 GPU 主机的用户，eGPU 是最佳选择！

Tips：

• 选购 eGPU 可以参考 Best eGPU Enclosures Reviewed – External GPU Buyer’s Guide 2019。
• 从性能、功能、便携、稳定性、价格多方面综合衡量，AORUS RTX 2070 Gaming Box 是最佳选择之一。