Produkt- und Leistungsinformationen

1Unter Umständen können Intel® Compiler bei Optimierungen, die nicht spezifisch für Mikroprozessoren von Intel sind, das gleiche Optimierungsniveau auch für nicht von Intel stammende Mikroprozessoren bieten. Zu diesen Optimierungen gehören Befehlssätze für SSE2, SSE3 und SSSE3 sowie weitere Optimierungen. Intel übernimmt keine Garantie für die Verfügbarkeit, Funktionalität oder Wirksamkeit von Optimierungen für Mikroprozessoren, die nicht von Intel hergestellt wurden. Mikroprozessorabhängige Optimierungen in diesem Produkt sind für die Anwendung in Verbindung mit Intel® Mikroprozessoren bestimmt. Bestimmte, nicht für die Intel-Mikroarchitektur spezifische Optimierungen sind für Intel® Mikroprozessoren reserviert. Entnehmen Sie bitte weitere Informationen zu den spezifischen Befehlssatzerweiterungen, auf die dieser Hinweis zutrifft, den entsprechenden Benutzer- und Referenzhandbüchern.
2

„Das Potenzial für künstliche Intelligenz im Gesundheitswesen“, Juni 2019, Future Healthcare Journal, ncbi.nlm.nih.gov/pmc/articles/PMC6616181/.

3

„Vorteile und Einschränkungen der gesamten Laborautomation: eine persönliche Übersicht“, Clinical Chemistry and Laboratory Medicine (CCLM), Februar 2019, degruyter.com/view/journals/cclm/57/6/article-p802.xml.

4Konfigurationen: Das ursprüngliche Modell wurde mit TensorFlow 1.6 für Python 2.7 ohne Intel® Optimierungen trainiert und von GE Healthcare zu OpenVINO™ 2018 R4 konvertiert. Zum Testen verwendete Hardware und Konfigurationen: GE Gen6-P Bild-Rechenknoten 3.10.0-862.el7.x86_64; Prozessor: Intel® Xeon® Prozessor E5-2680 v3; Geschwindigkeit; 2.5 GHz; Kerne: 12 Kerne pro Sockel, Docker-Container hat Zugriff auf 22 CPU-Kerne; Sockel: zwei; RAM: 96 GB (DDR4); Hyperthreading: aktiviert; Sicherheitsupdates: Spectre- und Meltdown-Updates angewendet. Zum Testen verwendete Software: TensorFlow Version: 1.6 ohne Intel® MKL-DNN Optimierungen; Gcc Version: 2.8.5; Python Version: 2.7; OpenVINO™ Version: 2018 R4 Modell-Server v0.2); OS: HeliOS 7.4 (Nitrogen).
5Bekanntgabe der Konfiguration für den Systemtest: Intel® Core™ i5-4590S CPU mit 3.00 GHz, x86_64, VT-x-gestützt, 16 GB Arbeitsspeicher, OS: Linux magic x86_64 GNU/Linux, Ubuntu-16.04-Docker-Container für Inferenzdienst. Getestet durch GE Healthcare, September 2018. Der Test vergleicht die mit dem TensorFlow-Modell gemessene Gesamtinferenzzeit von 3.092 Sekunden mit demselben Modell, das mit der Intel® Distribution des OpenVINO™ Toolkits optimiert wurde und eine Gesamtinferenzzeit von 0.913 Sekunden erzielte.