相比较通过原生DDP训练模型后的性能数据，使用AIACC-ACSpeed训练多个模型时，性能具有明显提升。本文为您展示了AIACC-ACSpeed的部分典型模型的训练性能数据。
测试版本
ACSpeed版本：1.0.2
Cuda版本：11.1
torch版本：1.8.1+cu111
实例类型：某8卡GPU实例
训练性能效果
本文以AIACC-ACSpeed（简称ACSpeed）v1.0.2版本在阿里云某8卡机器上的多机性能数据为例，通过测试不同场景下的模型，展示ACSpeed的不同性能提升效果。
ACSpeed在多个模型下均有相应的性能提升效果，整体有5%~200%的性能增益。通过测试ACSpeed训练多个模型后的性能效果，可以看到原生DDP的扩展性（即多机线性度）不佳时，ACSpeed的提升效果越明显，且ACSpeed不会出现性能回退的现象，性能效果展示如下图所示。
涉及的主要概念如下所示：
概念 | 说明 |
ddp_acc（横坐标） | 表示PyTorch原生分布式DDP的多机多卡的扩展性。 多机多卡扩展性：即多机线性度=多机性能/单机性能/集群数，数值越低扩展性越差。 |
acc_ratio（纵坐标） | 表示ACSpeed相对于原生DDP的性能指标的提升比值。例如，1.25表示ACSpeed的性能是原生DDP性能的1.25倍，即性能提升25%。 |
DDP Scalability VS AcSpeed Acc（圆点） | 表示具体的某个模型配置的DDP的原生性能和ACSpeed的加速效果，不同颜色表示不同集群规模。
|
：表示集群数量为1。
：表示集群数量为2。
：表示集群数量为4。
：表示集群数量为8。典型模型性能数据
本节仅展示了部分已测试的典型模型的性能数据信息。不同场景下的模型，通信计算的占比不同也会导致端到端的性能提升有所差异。具体测试模型的性能数据如下：
如果您想了解更多机型性能测试效果，欢迎使用钉钉搜索群号33617640加入阿里云神龙AI加速AIACC外部支持群（钉钉通讯客户端下载地址）。
场景1：训练alexnet模型
Model：alexnet
Domain：COMPUTER_VISION
Subdomain：CLASSIFICATION
Batch_size：128
Precision：amp
该场景下的alexnet模型训练后的性能数据如下所示：
场景2：训练resnet18模型
Model：resnet18
Domain：COMPUTER_VISION
Subdomain：CLASSIFICATION
Batch_size：16
Precision：amp
该场景下的resnet18模型训练后的性能数据如下所示：
场景3：训练resnet50模型
Model：resnet50
Domain：COMPUTER_VISION
Subdomain：CLASSIFICATION
Batch_size：32
Precision：amp
该场景下的resnet50模型训练后的性能数据如下所示：
场景4：训练vgg16模型
Model：vgg16
Domain：COMPUTER_VISION
Subdomain：CLASSIFICATION
Batch_size：64
Precision：amp
该场景下的vgg16模型训练后的性能数据如下所示：
场景5：训练timm_vovnet模型
Model：timm_vovnet
Domain：COMPUTER_VISION
Subdomain：CLASSIFICATION
Batch_size：32
Precision：amp
该场景下的timm_vovnet模型训练后的性能数据如下所示：
场景6：训练timm_vision_transformer模型
Model：timm_vision_transformer
Domain：COMPUTER_VISION
Subdomain：CLASSIFICATION
Batch_size：8
Precision：amp
该场景下的timm_vision_transformer模型训练后的性能数据如下所示：
场景7：训练pytorch_unet模型
Model：pytorch_unet
Domain：COMPUTER_VISION
Subdomain：CLASSIFICATION
Batch_size：1
Precision：amp
该场景下的pytorch_unet模型训练后的性能数据如下所示：
场景8：训练hf_Bart模型
Model：hf_Bart
Domain：NLP
Subdomain：LANGUAGE_MODELING
Batch_size：4
Precision：amp
该场景下的hf_Bart模型训练后的性能数据如下所示：
场景9：训练hf_Bert模型
Model：hf_Bert
Domain：NLP
Subdomain：LANGUAGE_MODELING
Batch_size：4
Precision：amp
该场景下的hf_Bert模型训练后的性能数据如下所示：
场景10：训练speech_transformer模型
Model：speech_transformer
Domain：SPEECH
Subdomain：RECOGNITION
Batch_size：32
Precision：amp
该场景下的speech_transformer模型训练后的性能数据如下所示：
场景11：训练tts_angular模型
Model：tts_angular
Domain：SPEECH
Subdomain：SYNTHESIS
Batch_size：64
Precision：amp
该场景下的tts_angular模型训练后的性能数据如下所示：