简体中文 | English
此文档主要对比PaddleVideo模型库与主流模型库的训练速度。
- 8 NVIDIA Tesla V100 (16G) GPUs
- Intel(R) Xeon(R) Gold 6148 CPU @ 2.40GHz
- Python 3.7
- PaddlePaddle2.0
- CUDA 10.1
- CUDNN 7.6.3
- NCCL 2.1.15
- GCC 8.2.0
实验中我们测量了平均训练时间，包括数据处理和模型训练两个部分，训练速度均采用每秒钟训练的样本数量(ips)来计量, 数值越大说明训练速度越快，并且考虑到机器预热的问题，前50次迭代的时间没有被计算在内。
在相同的数据和模型配置下对比了PaddleVideo和其他的视频理解工具箱，为了保证比较的公平性，对比实验都是在相同的硬件条件下进行，实验所用数据请参考数据准备 观察下表可以发现PaddleVideo相比其他的视频理解框架在训练速度方面取得了巨大的提升，尤其是Slowfast模型取得了将近一倍的训练速度的提升。 对于每一种模型配置，我们采用了相同的数据预处理方法并且保证输入是相同的。
| Model | batch size x gpus | PaddleVideo(ips) | Reference(ips) | MMAction2 (ips) | PySlowFast (ips) |
|---|---|---|---|---|---|
| TSM | 16x8 | 58.1 | 46.04(temporal-shift-module) | To do | X |
| PPTSM | 16x8 | 57.6 | X | X | X |
| TSN | 16x8 | To do | To do (tsn-pytorch) | To do | X |
| Slowfast | 16x8 | 99.5 | X | To do | 43.2 |
| Attention_LSTM | 128x8 | 112.6 | X | X | X |
| Model | PaddleVideo(ips) | MMAction2 (ips) | BMN(boundary matching network) (ips) |
|---|---|---|---|
| BMN | 43.84 | x | x |