適用於 AI 的 PCIe Gen5 NVMe：MLPerf Storage v2 對 Kingston DC3000ME 的發現和執行摘要

训练机器学习模型所消耗的 CPU 算力、内存及 I/O 带宽，可能超过任何其他软件任务。一个先进模型在多轮训练过程中，可能读写数百 TB 的数据，这对即便是最快速的存储阵列而言也是极大的挑战。随着 AI 竞争的兴起，各行业和政府机构竞相突破 AI 性能的边界，因此，针对机器学习工作负载，开发一种可靠且可重复的硬件资源基准测试方法已变得至关重要。 MLCommons 组织通过 MLPerf 存储 v2.0 基准测试开创了这一先河，引入了创新方法来评估机器学习训练与推理过程中的存储性能。本白皮书探讨了 Kingston DC3000ME PCIe Gen5 NVMe U.2 固态硬盘在无需昂贵 GPU 硬件的情况下，如何在 MLPerf 基准测试框架中展现性能。MLPerf 采用休眠模拟技术，模拟真实世界的 AI 工作负载，使组织能够以经济高效且可扩展的方式测试存储性能。

为何这如此重要？快速存储通过迅速提供数据来保持 GPU 的高效运行，减少空闲时间并最大化计算效率。Kingston 的 DC3000ME 固态硬盘帮助组织加速训练周期、降低基础设施成本，并通过更少的驱动器实现可扩展的性能，成为现代 AI 部署的明智投资选择。

在本白皮书中，我们：

• 审视 MLPerf v2 存储的新型休眠模拟测试方法；
• 介绍 MLPerf v2 存储所涵盖的不同训练与检查点工作负载；
• 讨论 Kingston DC3000ME 在 PCIe Gen5 和 Gen4 平台上，于训练和检查点工作负载中的提交结果。

结果显示，像 DC3000ME 这样的 PCIe Gen5 NVMe 解决方案，为希望在机器学习工作流程中实现最高加速器利用率和 GPU 活跃时长的组织提供了极具吸引力的选择。我们深入探讨了可调参数、测试方法及事后调优，以及它们对不同工作负载的影响。

Kingston 的 DC3000ME PCIe Gen5 NVMe U.2 固态硬盘是 AI 工作负载的高效解决方案。无论您是在训练深度学习模型，还是微调大型语言模型，这些固态硬盘都能提供所需的速度、可靠性和效率，助您在 AI 竞争中保持领先。

下載白皮書