十代服务器芯片组,Cloudflare宣布第十代刀片服务器全面转向AMD的EPYC处理器 将没有任何Intel组件...

描述

在服务器处理器市场上,AMD今年的目标是占据至少10%的份额,这个不算很难,因为7nm Zen2架构的EPYC 7002系列正不断给AMD带来客户。今天Cloudflare宣布他们的第十代刀片服务器全面转向AMD的EPYC处理器。

Cloudflare是一家网络服务供应商,成立于2009年,主要提供CDN、DNS服务,截至2020年2月份在全球90多个国家200多个城市建有数据中心,每天有10亿个IP地址流经他们的网络,每秒钟处理1100个HTTP请求,95%的全球连接都可以在100毫秒内完成。

41d4ae1a2016f4b1826dd5b30b3b9962.png

10年来Cloudflare的服务器一直都是选择Intel至强,放在以前这没什么问题,但是在第十代刀片服务器上他们放弃了老伙伴,转向了AMD的EPYC处理器,而且这一代服务器没有任何Intel组件,CPU、主板、内存、存储及网络接口上都没有Intel部件,这在行业内都是极少见的。

ff00643771bdeaba5e72d9ae0b715d1d.png

他们列举了最近几年来其刀片服务器的配置选择,2015年用是双路8核的至强E5-2630 v3,之后一路用到第九代刀片服务器的双路至强铂金6162,2x24核,2x150W TDP。

第十代刀片服务器中选择了AMD的EPYC 7642处理器,这是一款48核96线程处理器,他们最初也考虑上64核EPYC,不过测试之后发现性能提升没那么高,最终放弃了64核产品。

即便如此,48核的EPYC 7642依然能考单路就达到了之前双路的效果,而且缓存、内存、PCIe通道数等方面更好,TDP功耗都低了75W,相当于每核心TDP降低了25%。

f8e799e0b68f0407ce3d82ed0b621335.png

至于为什么选择AMD EPYC处理器,他们公布的测试结果可以说明问题了。

ceb1b2001d6b8c865a9084743a4e748e.png

详细的评测在下面,不过这张表格总结了EPYC 7642与双路至强铂金6162的性能对比,可以看到AMD在性能上少则领先27%,多则领先50%。

当然,最具悬念的还有售价,Cloudflare没公布具体价格,估计采购价不太好说,这是商业秘密。但公开报价来看,EPYC 7642是5885美元,至强铂金6162是3115美元,2颗就要6230美元。

55cd148a286879afc303c7bb8ccd425f.png

8af87055947052d9db6324c37c661371.png

5e94b50c903c66326ec2967809f50742.png

78694bb0cb9f57d471528ade8f526112.png

65d325de027ce4aca3e12087a203b0ae.png

2c367178eeb4857a0e24f6b84f9e8e7e.png

7801764c2269bb52733211d6df563ede.png

1154f74304989e4ebee76f1daab27708.png

0987098334047920c269d067813d461f.png

261ac5c8002a16eb498f4735b6263473.png

责任编辑:wv

打开APP阅读更多精彩内容

点击阅读全文

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值