NVIDIA A100 Tensor Core GPU

在各种规模下实现出色的加速

加速当今时代的重要工作

NVIDIA A100 Tensor Core GPU 可针对 AI、数据分析和 HPC 应用场景,在不同规模下实现出色的加速,有效助力更高性能的弹性数据中心。A100 采用 NVIDIA Ampere 架构,是 NVIDIA 数据中心平台的引擎。A100 的性能比上一代产品提升高达 20 倍,并可划分为七个 GPU 实例,以根据变化的需求进行动态调整。A100 提供 40GB 和 80GB 显存两种版本,A100 80GB 将 GPU 显存增加了一倍,并提供超快速的显存带宽(每秒超过 2 万亿字节 [TB/s]),可处理超大型模型和数据集。

适用于 AI 的企业就绪软件

NVIDIA EGX 平台中包括能够在整个基础架构中实现加速计算的优化软件。利用 NVIDIA AI Enterprise 软件套件,企业可以访问端到端的云原生 AI 和数据分析软件,该软件套件经 NVIDIA 优化、认证和支持,可在基于 NVIDIA 认证系统™ 的 VMware vSphere 上运行。NVIDIA AI 企业包括 NVIDIA 的关键支持技术,用于在现代混合云中快速部署、管理和扩展 AI 工作负载。

功能强大的端到端 AI 和 HPC 数据中心平台

A100 是整个 NVIDIA 数据中心解决方案的一部分,该解决方案由硬件、网络、软件、库以及 NGC 中经优化的 AI 模型和应用等叠加而成。它为数据中心提供了强大的端到端 AI 和 HPC 平台,让研究人员能够快速交付真实的结果,并且大规模地将解决方案部署到生产环境中。

 

制作 Ampere 视频

深度学习训练

针对大型模型提供高达 3 倍的 AI 训练速度

DLRM 训练

针对大型模型提供高达 3 倍的 AI 训练速度

当今的 AI 模型面临着对话式 AI 等更高层次的挑战,这促使其复杂度呈爆炸式增长。训练这些模型需要大规模的计算能力和可扩展性。

NVIDIA A100 Tensor Core 借助 Tensor 浮点运算 (TF32) 精度,可提供比 NVIDIA Volta 高 20 倍之多的性能,并且无需更改代码;若使用自动混合精度和 FP16,性能可进一步提升 2 倍。与 NVIDIA® NVLink®、NVIDIA NVSwitch、PCIe 4.0、NVIDIA® InfiniBand®NVIDIA Magnum IO SDK 结合使用时,它能扩展到数千个 A100 GPU。

2048 个 A100 GPU 可在一分钟内成规模地处理 BERT 之类的训练工作负载,这是非常快速的解决问题速度。

对于具有庞大数据表的超大型模型(例如深度学习推荐模型 [DLRM]),A100 80GB 可为每个节点提供高达 1.3TB 的统一显存,而且吞吐量比 A100 40GB 多高达 3 倍。

NVIDIA 的领先地位在 MLPerf 这个行业级 AI 训练基准测试中得到印证,创下多项性能纪录。

深度学习推理

A100 引入了突破性的功能来优化推理工作负载。它能在从 FP32 到 INT4 的整个精度范围内进行加速。多实例 GPU (MIG) 技术允许多个网络同时基于单个 A100 运行,从而优化计算资源的利用率。在 A100 其他推理性能增益的基础之上,仅结构稀疏支持一项就能带来高达两倍的性能提升。

在 BERT 等先进的对话式 AI 模型上,A100 可将推理吞吐量提升到高达 CPU 的 249 倍。

在受到批量大小限制的极复杂模型(例如用于自动语音识别用途的 RNN-T)上,显存容量有所增加的 A100 80GB 能使每个 MIG 的大小增加一倍,并提供比 A100 40GB 高 1.25 倍的吞吐量。

NVIDIA 产品的出色性能在 MLPerf 推理测试中得到验证。A100 再将性能提升了 20 倍,进一步扩大了这种性能优势。

与 CPU 相比,AI 推理性能提升
高达 249 倍

BERT-LARGE 推理

与 CPU 相比,AI 推理性能提升 249 倍

与 A100 40GB 相比,AI 推理性能提升
1.25 倍

RNN-T 推理:单流

与 A100 40GB 相比,AI 推理性能提升 1.25 倍

高性能计算

为了获得新一代的发现成果,科学家们希望通过仿真来更好地了解我们周围的世界。

NVIDIA A100 采用双精度 Tensor Core,实现了自 GPU 推出以来高性能计算性能的巨大飞跃。结合 80GB 的超快 GPU 显存,研究人员可以在 A100 上将 10 小时双精度仿真缩短到 4 小时以内。HPC 应用还可以利用 TF32 将单精度、密集矩阵乘法运算的吞吐量提高高达 10 倍。

对于具有超大数据集的高性能计算应用,显存容量增加的 A100 80GB 可在运行材料仿真 Quantum Espresso 时将吞吐量提升高达 2 倍。极大的显存容量和超快速的显存带宽使 A100 80GB 非常适合用作新一代工作负载的平台。

四年来 HPC 性能提升 11 倍

热门 HPC 应用

四年来 HPC 性能提升 11 倍

HPC 应用的性能提升高达 1.8 倍

Quantum Espresso

HPC 应用的性能提升高达 1.8 倍

高性能数据分析

相较于 A100 40GB,在大数据分析基准测试中速度提升 2 倍

相较于 A100 40GB,在大数据分析基准测试中速度提升 2 倍

数据科学家需要能够分析和可视化庞大的数据集,并将其转化为宝贵见解。但是,由于数据集分散在多台服务器上,横向扩展解决方案往往会陷入困境。

搭载 A100 的加速服务器可以提供必要的计算能力,并能利用大容量显存、超过 2 TB/s 的显存带宽以及通过 NVIDIA® NVLink® 和 NVSwitch 实现的可扩展性,处理这些工作负载。通过结合 InfiniBand、NVIDIA Magnum IORAPIDS 开源库套件(包括用于执行 GPU 加速的数据分析的 RAPIDS Accelerator for Apache Spark),NVIDIA 数据中心平台能够加速这些大型工作负载,并实现超高的性能和效率水平。

在大数据分析基准测试中,A100 80GB 提供的见解吞吐量比 A100 40GB 高两倍,因此非常适合处理数据集大小急增的新型工作负载。

为企业提高资源利用率

借助多实例 GPU (MIG),推理吞吐量可提升高达 7 倍

BERT Large 推理

借助多实例 GPU (MIG),推理吞吐量可提升高达 7 倍

A100 结合 MIG 技术可以更大限度地提高 GPU 加速的基础设施的利用率。借助 MIG,A100 GPU 可划分为多达 7 个独立实例,让多个用户都能使用 GPU 加速功能。借助 A100 40GB,每个 MIG 实例可分配多达 5GB,而随着 A100 80GB 显存容量的增加,此大小可翻倍至 10GB。

MIG 与 Kubernetes、容器和基于服务器虚拟化平台的服务器虚拟化配合使用。MIG 可让基础设施管理者为每项作业提供大小合适的 GPU,同时确保服务质量 (QoS),从而扩大加速计算资源的影响范围,以覆盖每位用户。

充分利用您的系统

由 A100、NVIDIA Mellanox SmartnNIC 和 DPU 构成的 NVIDIA 认证系统,已通过性能、功能、可扩展性和安全性认证,使企业可方便地从 NVIDIA NGC 目录中为 AI 工作负载部署完整的解决方案。

数据中心 GPU

适用于 HGX 的 NVIDIA A100

适用于 HGX 的 NVIDIA A100

性能出色,轻松处理各种工作负载。

PCIe 版 NVIDIA A100

PCIe 版 NVIDIA A100

十分适合处理各种工作负载。

规格

  A100 80GB PCIe A100 80GB SXM
FP64 9.7 TFLOPS
FP64 Tensor Core 19.5 TFLOPS
FP32 19.5 TFLOPS
Tensor Float 32 (TF32) 156 TFLOPS | 312 TFLOPS*
BFLOAT16 Tensor Core 312 TFLOPS | 624 TFLOPS*
FP16 Tensor Core 312 TFLOPS | 624 TFLOPS*
INT8 Tensor Core 624 TOPS | 1248 TOPS*
GPU 显存 80GB HBM2 80GB HBM2e
GPU 显存带宽 1935 GB/s 2039 GB/s
最大热设计功耗 (TDP) 300W 400W ***
多实例 GPU 最大为 7 MIG @ 5GB 最大为 7 MIG @ 10GB
外形规格 PCIe
双插槽风冷式或单插槽液冷式
SXM
互连 NVIDIA® NVLink® 桥接器
2 块 GPU:600 GB/s **
PCIe 4.0:64 GB/s
NVLink:600 GB/s
PCIe 4.0:64 GB/s
服务器选项 合作伙伴及配备 1 至 8 个 GPU 的 NVIDIA 认证系统™ NVIDIA HGX™ A100 合作伙伴和配备 4、8 或 16 块 GPU 的 NVIDIA 认证系统 配备 8 块 GPU 的 NVIDIA DGX™ A100
 

查看新的 MLPerf 基准测试数据

深入了解 NVIDIA Ampere 架构

了解 NVIDIA Ampere 架构的新内容及其在 NVIDIA A100 GPU 中的实现。