Le Nvidia RTX A4000 ADA peut-il gérer les tâches d'apprentissage automatique ?

En avril, Nvidia a lancé un nouveau produit, le RTX A4000 ADA, un GPU à petit facteur de forme conçu pour les applications de station de travail. Ce processeur remplace l'A2000 et peut être utilisé pour des tâches complexes, notamment la recherche scientifique, les calculs d'ingénierie et la visualisation de données.

Le RTX A4000 ADA comprend 6 144 cœurs CUDA, 192 cœurs Tensor et 48 cœurs RT, et 20 Go de VRAM GDDR6 ECC. L'un des principaux avantages du nouveau GPU est son efficacité énergétique : le RTX A4000 ADA ne consomme que 70 W, ce qui réduit à la fois les coûts d'alimentation et la chaleur du système. Le GPU vous permet également de piloter plusieurs écrans grâce à sa connectivité 4x Mini-DisplayPort 1.4a.

Lorsque l'on compare les GPU RTX 4000 SFF ADA à d'autres appareils de la même classe, il convient de noter que lorsqu'ils fonctionnent en mode simple précision, ils affichent des performances similaires à celles de la dernière génération de GPU RTX A4000, qui consomme deux fois plus d'énergie (140 W vs. 70W).

L'ADA RTX 4000 SFF est construit sur l'architecture ADA Lovelace et la technologie de processus 5 nm. Cela permet d'activer les cœurs Tensor Core et de traçage de rayons de nouvelle génération, qui améliorent considérablement les performances en fournissant un traçage de rayons et des cœurs Tensor plus rapides et plus efficaces que le RTX A4000. De plus, le RTX 4000 SFF d'ADA est livré dans un petit boîtier - la carte mesure 168 mm de long et aussi épaisse que deux connecteurs d'extension.

Les noyaux de lancer de rayons améliorés permettent des performances efficaces dans les environnements où la technologie est utilisée, comme dans la conception et le rendu 3D. De plus, la capacité de mémoire de 20 Go du nouveau GPU lui permet de gérer de grands environnements.

Selon le fabricant, les cœurs Tensor de quatrième génération offrent des performances de calcul d'IA élevées - une augmentation des performances deux fois supérieure à celle de la génération précédente. Les nouveaux cœurs Tensor prennent en charge l'accélération FP8. Cette fonctionnalité innovante peut bien fonctionner pour ceux qui développent et déploient des modèles d'IA dans des environnements tels que la génomique et la vision par ordinateur .

Il convient également de noter que l'augmentation des mécanismes d'encodage et de décodage fait du RTX 4000 SFF ADA une bonne solution pour les charges de travail multimédia telles que la vidéo, entre autres.

Spécifications techniques des cartes graphiques NVIDIA RTX A4000 et RTX A5000, RTX 3090

	RTX A4000ADA	NVIDIA RTX A4000	NVIDIA RTX A5000	RTX 3090
Architecture	Ada Lovelace	Ampère	Ampère	Ampère
Processus technique	5 nm	8 nm	8 nm	8 nm
GPU	AD104	GA102	GA104	GA102
Nombre de transistors (millions)	35 800	17 400	28 300	28 300
Bande passante mémoire (Gb/s)	280,0	448	768	936.2
Capacité de la mémoire vidéo (bits)	160	256	384	384
Mémoire GPU (Go)	20	16	24	24
Type de mémoire	GDDR6	GDDR6	GDDR6	GDDR6X
Cœurs CUDA	6 144	6 144	8192	10496
Noyaux tenseurs	192	192	256	328
Cœurs RT	48	48	64	82
Perf SP (téraflops)	19.2	19,2	27,8	35,6
Performances du cœur RT (téraflops)	44.3	37,4	54,2	69,5
Performances du tenseur (téraflops)	306.8	153,4	222,2	285
Puissance maximale (Watts)	70	140	230	350
Interface	PCIe 4.0x16	PCI-E 4.0 x16	PCI-E 4.0 x16	PCIe 4.0 x16
Connecteurs	4x Mini DisplayPort 1.4a	DP 1.4 (4)	DP 1.4 (4)	DP 1.4 (4)
Facteur de forme	2 emplacements	1 emplacement	2 emplacements	2-3 emplacements
Le logiciel vGPU	Non	Non	Oui, illimité	Oui. avec des restrictions
Nvlink	Non	Non	2x RTX A5000	Oui
Prise en charge de CUDA	11.6	8.6	8.6	8.6
Prise en charge VULKAN	1.3	Oui	Oui	oui, 1.2
Prix (USD)	1 250	1000	2500	1400

Description de l'environnement de test

	RTX A4000ADA	RTX A4000
CPU	AMD Ryzen 9 5950X 3,4 GHz (16 cœurs)	OctaCore Intel Xeon E-2288G, 3,5 GHz
RAM	4x 32 Go DDR4 ECC SO-DIMM	2x 32 Go DDR4-3200 ECC DDR4 SDRAM 1600 MHz
Conduire	SSD NVMe 1 To	Samsung SSD 980 PRO 1 To
Carte mère	ASRock X570D4I-2T	Série Asus P11C-I
Système opérateur	Microsoft Windows 10	Microsoft Windows 10

Résultats de test

Référence V-Ray 5

Les tests V-Ray GPU CUDA et RTX mesurent les performances de rendu GPU relatives. Le GPU RTX A4000 est légèrement derrière le RTX A4000 ADA (4% et 11%, respectivement).

Apprentissage automatique

"Chiens contre chats"

Pour comparer les performances des GPU pour les réseaux de neurones, nous avons utilisé l'ensemble de données "Dogs vs. Cats" - le test analyse le contenu d'une photo et distingue si la photo montre un chat ou un chien. Toutes les données brutes nécessaires peuvent être trouvées . Nous avons effectué ce test sur différents GPU et services cloud et avons obtenu les résultats suivants :

Dans ce test, le RTX A4000 ADA a légèrement surpassé le RTX A4000 de 9 %, mais gardez à l'esprit la petite taille et la faible consommation d'énergie du nouveau GPU.

AI-Benchmark vous permet de mesurer les performances de l'appareil lors d'une tâche de sortie de modèle AI. L'unité de mesure peut varier selon le test, mais il s'agit généralement du nombre d'opérations par seconde (OPS) ou du nombre d'images par seconde (FPS).

	RTX A4000	RTX A4000ADA
1/19. MobileNet-V2	1.1 — inférence | lot=50, taille=224x224 : 38,5 ± 2,4 ms1.2 — formation | lot=50, taille=224x224 : 109 ± 4 ms	1.1 — inférence | lot=50, taille=224x224 : 53,5 ± 0,7 ms1.2 — formation | lot=50, taille=224x224 : 130,1 ± 0,6 ms
2/19. Création-V3	2.1 — inférence | lot=20, taille=346x346 : 36,1 ± 1,8 ms2.2 — formation | lot=20, taille=346x346 : 137,4 ± 0,6 ms	2.1 — inférence | lot=20, taille=346x346 : 36,8 ± 1,1 ms2.2 — formation | lot=20, taille=346x346 : 147,5 ± 0,8 ms
3/19. Création-V4	3.1 — inférence | lot=10, taille=346x346 : 34,0 ± 0,9 ms3.2 — formation | lot=10, taille=346x346 : 139,4 ± 1,0 ms	3.1 — inférence | lot=10, taille=346x346 : 33,0 ± 0,8 ms3.2 — formation | lot=10, taille=346x346 : 135,7 ± 0,9 ms
4/19. Inception-ResNet-V2	4.1 — inférence | lot=10, taille=346x346 : 45,7 ± 0,6 ms4.2 — formation | lot=8, taille=346x346 : 153,4 ± 0,8 ms	4.1 — lot d'inférence=10, taille=346x346 : 33,6 ± 0,7 ms4.2 — lot d'entraînement=8, taille=346x346 : 132 ± 1 ms
5/19. ResNet-V2-50	5.1 — inférence | lot=10, taille=346x346 : 25,3 ± 0,5 ms5.2 — formation | lot=10, taille=346x346 : 91,1 ± 0,8 ms	5.1 — inférence | lot=10, taille=346x346 : 26,1 ± 0,5 ms5.2 — formation | lot=10, taille=346x346 : 92,3 ± 0,6 ms
19/06. ResNet-V2-152	6.1 — inférence | lot=10, taille=256x256 : 32,4 ± 0,5 ms6.2 — formation | lot=10, taille=256x256 : 131,4 ± 0,7 ms	6.1 — inférence | lot=10, taille=256x256 : 23,7 ± 0,6 ms6.2 — formation | lot=10, taille=256x256 : 107,1 ± 0,9 ms
7/19. VGG-16	7.1 — inférence | lot=20, taille=224x224 : 54,9 ± 0,9 ms7.2 — formation | lot=2, taille=224x224 : 83,6 ± 0,7 ms	7.1 — inférence | lot=20, taille=224x224 : 66,3 ± 0,9 ms7.2 — formation | lot=2, taille=224x224 : 109,3 ± 0,8 ms
8/19. SRCNN 9-5-5	8.1 — inférence | lot=10, taille=512x512 : 51,5 ± 0,9 ms8.2 — inférence | lot=1, taille=1536x1536 : 45,7 ± 0,9 ms8.3 — formation | lot=10, taille=512x512 : 183 ± 1 ms	8.1 — inférence | lot=10, taille=512x512 : 59,9 ± 1,6 ms8.2 — inférence | lot=1, taille=1536x1536 : 53,1 ± 0,7 ms8.3 — formation | lot=10, taille=512x512 : 176 ± 2 ms
9/19. VGG-19 Super-Res	9.1 — inférence | lot=10, taille=256x256 : 99,5 ± 0,8 ms9.2 — inférence | lot=1, taille=1024x1024 : 162 ± 1 ms9.3 — formation | lot=10, taille=224x224 : 204 ± 2 ms
10/19. ResNet-SRGAN	10.1 — inférence | lot=10, taille=512x512 : 85,8 ± 0,6 ms10.2 — inférence | lot=1, taille=1536x1536 : 82,4 ± 1,9 ms10.3 — formation | lot=5, taille=512x512 : 133 ± 1 ms	10.1 — inférence | lot=10, taille=512x512 : 98,9 ± 0,8 ms10.2 — inférence | lot=1, taille=1536x1536 : 86,1 ± 0,6 ms10.3 — formation | lot=5, taille=512x512 : 130,9 ± 0,6 ms
11/19. ResNet-DPED	11.1 — inférence | lot=10, taille=256x256 : 114,9 ± 0,6 ms11.2 — inférence | lot=1, taille=1024x1024 : 182 ± 2 ms11.3 — formation | lot=15, taille=128x128 : 178,1 ± 0,8 ms	11.1 — inférence | lot=10, taille=256x256 : 146,4 ± 0,5 ms11.2 — inférence | lot=1, taille=1024x1024 : 234,3 ± 0,5 ms11.3 — formation | lot=15, taille=128x128 : 234,7 ± 0,6 ms
12/19. U-Net	12.1 — inférence | lot=4, taille=512x512 : 180,8 ± 0,7 ms12.2 — inférence | lot=1, taille=1024x1024 : 177,0 ± 0,4 ms12.3 — formation | lot=4, taille=256x256 : 198,6 ± 0,5 ms	12.1 — inférence | lot=4, taille=512x512 : 222,9 ± 0,5 ms12.2 — inférence | lot=1, taille=1024x1024 : 220,4 ± 0,6 ms12.3 — formation | lot=4, taille=256x256 : 229,1 ± 0,7 ms
13/19. Nvidia-SPADE	13.1 — inférence | lot=5, taille=128x128 : 54,5 ± 0,5 ms13.2 — formation | lot=1, taille=128x128 : 103,6 ± 0,6 ms	13.1 — inférence | lot=5, taille=128x128 : 59,6 ± 0,6 ms13.2 — formation | lot=1, taille=128x128 : 94,6 ± 0,6 ms
14/19. ICNet	14.1 — inférence | lot=5, taille=1024x1536 : 126,3 ± 0,8 ms14.2 — formation | lot=10, taille=1024x1536 : 426 ± 9 ms	14.1 — inférence | lot=5, taille=1024x1536 : 144 ± 4 ms14.2 — formation | lot=10, taille=1024x1536 : 475 ± 17 ms
15/19. PSPNet	15.1 — inférence | lot=5, taille=720x720 : 249 ± 12 ms15.2 — formation | lot=1, taille=512x512 : 104,6 ± 0,6 ms	15.1 — inférence | lot=5, taille=720x720 : 291,4 ± 0,5 ms15.2 — formation | lot=1, taille=512x512 : 99,8 ± 0,9 ms
16/19. DeepLab	16.1 — inférence | lot=2, taille=512x512 : 71,7 ± 0,6 ms16.2 — formation | lot=1, taille=384x384 : 84,9 ± 0,5 ms	16.1 — inférence | lot=2, taille=512x512 : 71,5 ± 0,7 ms16.2 — formation | lot=1, taille=384x384 : 69,4 ± 0,6 ms
17/19. Pixel-RNN	17.1 — inférence | lot=50, taille=64x64 : 299 ± 14 ms17.2 — formation | lot=10, taille=64x64 : 1258 ± 64 ms	17.1 — inférence | lot=50, taille=64x64 : 321 ± 30 ms17.2 — formation | lot=10, taille=64x64 : 1278 ± 74 ms
18/19. Sentiment LSTM	18.1 — inférence | lot=100, taille=1024x300 : 395 ± 11 ms18.2 — formation | lot=10, taille=1024x300 : 676 ± 15 ms	18.1 — inférence | lot=100, taille=1024x300 : 345 ± 10 ms18.2 — formation | lot=10, taille=1024x300 : 774 ± 17 ms
19/19. GNMT-Traduction	19.1 — inférence | lot=1, taille=1x20 : 119 ± 2 ms	19.1 — inférence | lot=1, taille=1x20 : 156 ± 1 ms

Les résultats de ce test montrent que les performances du RTX A4000 sont 6% supérieures à celles du RTX A4000 ADA, avec toutefois la mise en garde que les résultats du test peuvent varier en fonction de la tâche spécifique et des conditions de fonctionnement utilisées.

RTX A 4000

Analyse comparative	Temps de train moyen du modèle (ms)
Formation double précision type mnasnet0_5	62.995805740356445
Formation double précision type mnasnet0_75	98.39066505432129
Formation double précision type mnasnet1_0	126.60405158996582
Formation double précision type mnasnet1_3	186.89460277557373
Formation double précision type resnet18	428.08079719543457
Formation double précision type resnet34	883.5790348052979
Formation double précision type resnet50	1016.3950300216675
Formation double précision type resnet101	1927.2308254241943
Formation double précision type resnet152	2815.663013458252
Formation double précision type resnext50_32x4d	1075.4373741149902
Formation double précision type resnext101_32x8d	4050.0641918182373
Formation double précision type wide_resnet50_2	2615.9953451156616
Formation double précision type wide_resnet101_2	5218.524832725525
Formation double précision type densenet121	751.9759511947632
Formation double précision type densenet169	910.3225564956665
Formation double précision type densenet201	1163.036551475525
Formation double précision type densenet161	2141.505298614502
Formation double précision type squeezenet1_0	203.988
Entraînement double précision type squeezenet1_1	98.04857730865479
Formation double précision type vgg11	1697.7
Formation double précision type vgg11_bn	1729.2972660064697
Formation double précision type vgg13	2491.6
Formation double précision type vgg13_bn	2545.34
Formation double précision type vgg16	3371.68
Formation double précision type vgg16_bn	3423.8639068603516
Formation double précision type vgg19_bn	4314.55
Formation double précision type vgg19	4249.422650337219
Formation double précision type mobilenet_v3_large	105.546
Formation double précision type mobilenet_v3_small	37.6680850982666
Formation double précision type shufflenet_v2_x0_5	26.51611328125
Formation double précision type shufflenet_v2_x1_0	61.260504722595215
Formation double précision type shufflenet_v2_x1_5	105.30067920684814
Formation double précision type shufflenet_v2_x2_0	181.03694438934326
Type d'inférence double précision mnasnet0_5	17.397074699401855
Type d'inférence double précision mnasnet0_75	28.902697563171387
Type d'inférence double précision mnasnet1_0	38.3877
Inférence double précision type mnasnet1_3	58.228821754455566
Inférence double précision type resnet18	147.95727252960205
Inférence double précision type resnet34	293.5
Inférence double précision type resnet50	336.44991874694824
Inférence double précision type resnet101	637.9982376098633
Inférence double précision type resnet152	948.9351654052734
Inférence double précision type resnext50_32x4d	372.80876636505127
Inférence double précision type resnext101_32x8d	1385.09
Type d'inférence double précision wide_resnet50_2	873.048791885376
Type d'inférence double précision wide_resnet101_2	1729.2765426635742
Inférence double précision type densenet121	270.354
Inférence double précision type densenet169	327.06
Inférence double précision type densenet201	414.733362197876
Inférence double précision type densenet161	766.3542318344116
Inférence double précision type squeezenet1_0	74.86292839050293
Inférence double précision type squeezenet1_1	34.04905319213867
Inférence double précision type vgg11	576.3767147064209
Inférence double précision type vgg11_bn	580.5839586257935
Inférence double précision type vgg13	853.4365510940552
Inférence double précision type vgg13_bn	860.39
Inférence double précision type vgg16	1145.091052055359
Inférence double précision type vgg16_bn	1152.8028392791748
Inférence double précision type vgg19_bn	1444.9562692642212
Inférence double précision type vgg19	1437.0987701416016
Type d'inférence double précision mobilenet_v3_large	30.8763
Type d'inférence double précision mobilenet_v3_small	11.234536170959473
Type d'inférence double précision shufflenet_v2_x0_5	7.425284385681152
Type d'inférence double précision shufflenet_v2_x1_0	18.25782299041748
Type d'inférence double précision shufflenet_v2_x1_5	33.34946632385254
Type d'inférence double précision shufflenet_v2_x2_0	57.84676551818848

RTX A4000ADA

Analyse comparative	Modèle de temps de train moyen
Formation de type demi-précision mnasnet0_5	20.2666
Formation demi-précision type mnasnet0_75	21.445374488830566
Formation de type demi-précision mnasnet1_0	26.7625
Formation demi-précision type mnasnet1_3	26.57
Formation demi-précision type resnet18	19.624991416931152
Formation demi-précision type resnet34	32.46446132659912
Formation demi-précision type resnet50	57.332
Formation demi-précision type resnet101	98.209
Formation demi-précision type resnet152	138.967
Formation demi-précision type resnext50_32x4d	75.56005001068115
Formation demi-précision type resnext101_32x8d	228.8706636428833
Formation demi-précision type wide_resnet50_2	113.76442432403564
Formation demi-précision type wide_resnet101_2	204.838
Formation demi-précision type densenet121	68.97401332855225
Formation demi-précision type densenet169	85.957
Formation demi-précision type densenet201	103.299241065979
Formation demi-précision type densenet161	137.54578113555908
Formation demi-précision type squeezenet1_0	16.729
Entraînement demi-précision type squeezenet1_1	12.906527519226074
Formation demi-précision type vgg11	51.7004919052124
Formation demi-précision type vgg11_bn	57.63327598571777
Formation demi-précision type vgg13	86.809
Formation demi-précision type vgg13_bn	95.86676120758057
Formation demi-précision type vgg16	102.918
Formation demi-précision type vgg16_bn	113.74778270721436
Formation demi-précision type vgg19_bn	131.56734943389893
Formation demi-précision type vgg19	119.706
Formation demi-précision type mobilenet_v3_large	31.30636692047119
Formation demi-précision type mobilenet_v3_small	19.44464683532715
Entraînement de type demi-précision shufflenet_v2_x0_5	13.7766
Entraînement de type demi-précision shufflenet_v2_x1_0	23.608479499816895
Formation demi-précision type shufflenet_v2_x1_5	26.793746948242188
Entraînement de type demi-précision shufflenet_v2_x2_0	24.550962448120117
Type d'inférence demi-précision mnasnet0_5	4.4934
Type d'inférence demi-précision mnasnet0_75	4.0253
Type d'inférence demi-précision mnasnet1_0	4.42598819732666
Type d'inférence demi-précision mnasnet1_3	4.6809
Inférence demi-précision type resnet18	5.803341865539551
Inférence demi-précision type resnet34	9.756693840026855
Inférence demi-précision type resnet50	15.873079299926758
Inférence demi-précision type resnet101	28.268003463745117
Inférence demi-précision type resnet152	40.04594326019287
Inférence demi-précision type resnext50_32x4d	19.53421115875244
Inférence demi-précision type resnext101_32x8d	62.44826316833496
Type d'inférence demi-précision wide_resnet50_2	33.533992767333984
Type d'inférence demi-précision wide_resnet101_2	59.60897445678711
Inférence demi-précision type densenet121	18.052735328674316
Inférence demi-précision type densenet169	21.956982612609863
Inférence demi-précision type densenet201	27.851
Inférence demi-précision type densenet161	37.414
Type d'inférence demi-précision squeezenet1_0	4.3978
Inférence demi-précision type squeezenet1_1	2.42833
Inférence demi-précision type vgg11	17.623
Type d'inférence demi-précision vgg11_bn	18.40585231781006
Inférence demi-précision type vgg13	28.4386
Type d'inférence demi-précision vgg13_bn	30.672597885131836
Inférence demi-précision type vgg16	34.43562984466553
Type d'inférence demi-précision vgg16_bn	36.929
Type d'inférence demi-précision vgg19_bn	43.1406
Inférence demi-précision type vgg19	40.5385684967041
Inférence de type demi-précision mobilenet_v3_large	5.3507
Inférence de type demi-précision mobilenet_v3_small	4.0512
Type d'inférence demi-précision shufflenet_v2_x0_5	5.0797
Type d'inférence demi-précision shufflenet_v2_x1_0	5.5935
Type d'inférence demi-précision shufflenet_v2_x1_5	5.649552345275879
Type d'inférence demi-précision shufflenet_v2_x2_0	5.355663299560547
Formation double précision type mnasnet0_5	50.2386999130249
Formation double précision type mnasnet0_75	80.66896915435791
Formation double précision type mnasnet1_0	103.32422733306885
Formation double précision type mnasnet1_3	154.6230697631836
Formation double précision type resnet18	337.94031620025635
Formation double précision type resnet34	677.7706575393677
Formation double précision type resnet50	789.9243211746216
Formation double précision type resnet101	1484.3351316452026
Formation double précision type resnet152	2170.570478439331
Formation double précision type resnext50_32x4d	877.37
Formation double précision type resnext101_32x8d	3652.4944639205933
Formation double précision type wide_resnet50_2	2154.6
Formation double précision type wide_resnet101_2	4176.522083282471
Formation double précision type densenet121	607.8699731826782
Formation double précision type densenet169	744.6409797668457
Formation double précision type densenet201	962.677731513977
Formation double précision type densenet161	1759.772515296936
Formation double précision type squeezenet1_0	164.3690824508667
Entraînement double précision type squeezenet1_1	78.70647430419922
Formation double précision type vgg11	1362.6095294952393
Formation double précision type vgg11_bn	1387.2539138793945
Formation double précision type vgg13	2006.0230445861816
Formation double précision type vgg13_bn	2047.526364326477
Formation double précision type vgg16	2702.2086429595947
Formation double précision type vgg16_bn	2747.241234779358
Formation double précision type vgg19_bn	3447.34
Formation double précision type vgg19	3397.990345954895
Formation double précision type mobilenet_v3_large	84.65698719024658
Formation double précision type mobilenet_v3_small	29.8617
Formation double précision type shufflenet_v2_x0_5	27.4073
Formation double précision type shufflenet_v2_x1_0	48.322744369506836
Formation double précision type shufflenet_v2_x1_5	82.224
Formation double précision type shufflenet_v2_x2_0	141.7021369934082
Type d'inférence double précision mnasnet0_5	12.988653182983398
Type d'inférence double précision mnasnet0_75	22.4228
Type d'inférence double précision mnasnet1_0	30.056486129760742
Inférence double précision type mnasnet1_3	46.953935623168945
Inférence double précision type resnet18	118.04479122161865
Inférence double précision type resnet34	231.52336597442627
Inférence double précision type resnet50	268.63497734069824
Inférence double précision type resnet101	495.20
Inférence double précision type resnet152	726.4922094345093
Inférence double précision type resnext50_32x4d	291.47679328918457
Inférence double précision type resnext101_32x8d	1055.
Type d'inférence double précision wide_resnet50_2	690.69
Type d'inférence double précision wide_resnet101_2	1347.5529861450195
Inférence double précision type densenet121	224.35829639434814
Inférence double précision type densenet169	268.94
Inférence double précision type densenet201	343.51
Inférence double précision type densenet161	635.866231918335
Inférence double précision type squeezenet1_0	61.92759037017822
Inférence double précision type squeezenet1_1	27.0094
Inférence double précision type vgg11	462.3375129699707
Inférence double précision type vgg11_bn	468.4495782852173
Inférence double précision type vgg13	692.82
Inférence double précision type vgg13_bn	703.3538103103638
Inférence double précision type vgg16	924.4353818893433
Inférence double précision type vgg16_bn	936.5075063705444
Inférence double précision type vgg19_bn	1169.098300933838
Inférence double précision type vgg19	1156.3771772384644
Type d'inférence double précision mobilenet_v3_large	24.2356014251709
Type d'inférence double précision mobilenet_v3_small	8.85490894317627
Type d'inférence double précision shufflenet_v2_x0_5	6.360034942626953
Type d'inférence double précision shufflenet_v2_x1_0	14.3054
Type d'inférence double précision shufflenet_v2_x1_5	24.863481521606445
Type d'inférence double précision shufflenet_v2_x2_0	43.8505744934082

Conclusion

La nouvelle carte graphique s'est avérée être une solution efficace pour un certain nombre de tâches professionnelles. Grâce à sa taille compacte, il est idéal pour les ordinateurs SFF (Small Form Factor) puissants. De plus, il est à noter que les 6 144 cœurs CUDA et 20 Go de mémoire avec un bus 160 bits font de cette carte l'une des plus productives du marché. De plus, un faible TDP de 70W aide à réduire les coûts de consommation d'énergie. Quatre ports Mini-DisplayPort permettent d'utiliser la carte avec plusieurs moniteurs ou comme solution graphique multicanal.

La RTX 4000 SFF ADA représente une avancée significative par rapport aux générations précédentes, offrant des performances équivalentes à une carte consommant deux fois plus d'énergie. Sans connecteur d'alimentation PCIe, le RTX 4000 SFF ADA est facile à intégrer dans les stations de travail à faible consommation sans sacrifier les hautes performances.