英特尔以数据为中心，加速企业数字化变革
通过英特尔推动的全新水平的性能、灵活性和可扩展性，在数据时代取得成功。
借助内置的人工智能加速，满足数据中心的未来需求。英特尔鼎力相助。
搭载英特尔® 深度学习加速（英特尔® DL Boost）的全新第二代英特尔® 至强® 可扩展处理器，可将人工智能的推理速度提升 30 倍，从而帮助您充分利用投资。1
加速洞察，随需应变
从您的数据中快速发现新的答案。
重新构想您的架构
在数据时代利用突破性的英特尔® 技术制胜。
通知和免责声明
性能测试中使用的软件和工作负载仅在英特尔® 微处理器上进行了性能优化。SYSmark* 和 MobileMark* 等性能测试使用特定的计算机系统、组件、软件、操作和功能进行测量。上述任何要素的变动都有可能导致测试结果的变化。您应该查询其他信息和性能测试，以帮助您对正在考虑购买的产品作出全面的评估，包括该产品在与其他产品结合使用时的性能表现。有关更多完整的信息，请访问 https://www.intel.cn/benchmarks。
性能结果基于截至配置详细信息中所指示日期的测试，可能无法反映所有公开的安全更新。有关详细信息，请参见配置信息披露。没有任何产品或组件能够做到绝对安全。
英特尔的编译器针对非英特尔微处理器的优化程度可能与英特尔® 微处理器相同（或不同）。这些优化包括 SSE2，SSE3 和 SSSE3 指令集以及其它优化。对于在非英特尔制造的微处理器上进行的优化，英特尔不对相应的可用性、功能或有效性提供担保。此产品中依赖于微处理器的优化仅适用于英特尔® 微处理器。某些不是专门面向英特尔® 微体系结构的优化专供英特尔® 微处理器使用。如欲了解更多有关本声明所涉及的特定指令集的信息，请参阅适用产品的“用户和参考指南”。通知版本 #20110804。
所描述的降低成本方案仅用作示例，表明某些基于英特尔® 的产品在特定环境和配置下会如何影响未来的成本，并节约成本。环境各不相同。英特尔不保证任何成本和成本的节约。
英特尔® 高级矢量扩展（英特尔® AVX）可为某些处理器操作提供更高的吞吐量。由于处理器的功率特性不同，使用 AVX 指令可能会引起：a) 某些零件的运算频率低于额定值；b) 某些使用英特尔® 睿频加速技术 2.0 的零件未达到任何或最大睿频频率。性能表现会因硬件、软件及系统配置而有不同，更多信息请访问 http://www.intel.com/go/turbo。
英特尔并不控制或审核本文档引用的第三方基准资料或网站。您应访问引用的网站，确认参考资料准确无误。
产品和性能信息
在英特尔® 至强® 铂金 9282 处理器和英特尔® Deep Learning Boost（英特尔® DL Boost）上推断吞吐量高达 30 倍：由英特尔测试，截至 2019 年 2 月 26 日。平台：Dragon rock 2 插槽英特尔® 至强® 铂金 9282（每个插槽 56 个内核），HT 开启，睿频开启，总内存 768 GB（24 个插槽/32GB/2933 MHz），BIOS：SE5C620.86B.0D.01.0241.112020180249，CentOS 7 内核 3.10.0-957.5.1.el7.x86_64，深度学习框架：英特尔® Optimization for Caffe* 版本：https://github.com/intel/caffe d554cbf1，ICC 2019.2.187，MKL DNN 版本：v0.17 (commit hash: 830a10059a018cd2634d94195140cf2d8790a75a)，模型，BS=64，无数据层综合数据：3x224x224，56 实例/2 插槽，数据类型：INT8 对比截至 2017 年 7 月 11 日英特尔进行的测试：2 个英特尔® 至强® 铂金 8180 处理器 CPU @ 2.50GHz（28 个内核），HT 已禁用，睿频已禁用，通过 intel_pstate 驱动程序将扩展调节器设置为“性能”，384GB DDR4-2666 ECC RAM。CentOS Linux* 版本 7.3.1611 (Core)，Linux 内核 3.10.0-514.10.2.el7.x86_64。固态盘：英特尔® 数据中心级固态盘 S3700 系列（800GB，2.5 英寸 SATA 6Gb/秒，25 纳米，MLC）。性能评测标准基于：环境变量：KMP_AFFINITY='granularity=fine, compact‘，OMP_NUM_THREADS=56，CPU 频率设置为 CPU Power frequency-set -d 2.5G -u 3.8G -g performance Caffe：(http://github.com/intel/caffe/)，修订版 f96b759f71b2281835f690af267158b82b150b5c。推断评测标准基于“caffe time --forward_only”命令，训练评测标准基于“caffe time”指令。对于“ConvNet”拓扑，使用合成数据集。对于其他拓扑，数据在本地存储，并且在训练之前在内存中缓存。拓扑规格来源于 https://github.com/intel/caffe/tree/master/models/intel_optimized_models (ResNet-50)。英特尔® C++ 编译器版本 17.0.2 20170213，英特尔® 数学核心函数库（英特尔® MKL）小型库版本 2018.0.20170425。使用“numactl -l”运行 Caffe。