Infos sur le produit et ses performances

1 Les compilateurs Intel® peuvent ou non optimiser au même degré les microprocesseurs non Intel pour des optimisations qui ne sont pas propres aux microprocesseurs Intel®. Ces optimisations comprennent les jeux d’instructions SSE2, SSE3 et SSE3, ainsi que d’autres optimisations. Intel ne fournit aucune garantie quant à la disponibilité, la fonctionnalité ou l'efficacité des optimisations sur les microprocesseurs d'autres fabricants. Dans ce produit, les optimisations dépendantes du processeur sont conçues pour les processeurs Intel. Certaines optimisations non spécifiques à la microarchitecture Intel® sont réservées aux microprocesseurs Intel. Veuillez vous référer aux guides d'utilisation et de référence des produits concernés pour plus d'informations sur les jeux d'instructions spécifiques couverts par le présent avis
2

« The potential for artificial intelligence in healthcare » (Le potentiel de l'intelligence artificielle dans les soins de santé), juin 2019, Future Healthcare Journal, ncbi.nlm.nih.gov/pmc/articles/PMC6616181/.

3

“Advantages and limitations of total laboratory automation: a personal overview”, Clinical Chemistry and Laboratory Medicine (CCLM), février 2019, degruyter.com/view/journals/cclm/57/6/article-p802.xml.

4Configurations : Le modèle original a été formé à l'aide de TensorFlow 1.6 pour Python 2.7 sans optimisations Intel® et converti par GE Healthcare à OpenVINO™ 2018 R4. Matériel et configurations utilisés pour les tests : Nœud de calcul d'image GE Gen6-P 3.10.0-862.el7.x86_64 ; processeur : Processeur Intel® Xeon® E5-2680 v3 ; vitesse ; 2,5 GHz ; cœurs : 12 cœurs par socket, le conteneur Docker a accès à 22 cœurs de processeur ; sockets : deux ; RAM : 96 Go (DDR4) ; hyperthreading : activé ; mises à jour de sécurité : mises à jour Spectre et Meltdown appliquées. Logiciels utilisés pour les tests : TensorFlow version : 1.6 sans optimisations Intel® MKL-DNN ; version de Gcc : 2.8.5 ; version Python : 2.7 ; version OpenVINO™ : 2018 R4 (model server v0.2) ; OS : HeliOS 7.4 (Nitrogen).
5Les compilateurs Intel® peuvent ou non optimiser dans la même mesure les microprocesseurs non-Intel pour des optimisations qui ne sont pas propres aux microprocesseurs Intel®. Ces optimisations comprennent les jeux d'instructions SSE2, SSE3 et SSE3, ainsi que d'autres optimisations. Intel ne fournit aucune garantie quant à la disponibilité, la fonctionnalité ou l'efficacité des optimisations sur des microprocesseurs d'autres fabricants. Dans ce produit, les optimisations dépendantes du processeur sont conçues pour les processeurs Intel. Certaines optimisations non spécifiques à la microarchitecture Intel® sont réservées aux microprocesseurs Intel. Veuillez vous référer aux guides d'utilisation et de référence des produits concernés pour plus d'informations sur les jeux d'instructions spécifiques couverts par le présent avis.
6Divulgation de la configuration du test système : Intel® Core™ i5-4590S CPU @ 3.00 GHZ, x86_64, VT-x activé, 16 Go de mémoire, OS : Linux magic x86_64 GNU/Linux, Ubuntu 16.04 en déduisant le service de conteneurs de docker. Tests effectués par GE Healthcare, septembre 2018. Le test compare le temps d'inférence total de 3,092 secondes du modèle TensorFlow au temps d'inférence total de 0,913 secondes du même modèle TF optimisé par la distribution Intel® du kit d'outils OpenVINO™.