泰山石油去年净利188万同比下滑30% 董事长岳祥训年薪32万元

3月31日消息,(000554)近日发布2018年财报,显示,报告期内实现营收30.78亿元,同比增长13.19%;归属于上市公司的187.7万元,同比下滑29.94%;基本每股收益为0.0039元,同比下滑30.36%。

截至2018年12月31日,泰山石油归属于上市公司股东的净资产9亿元,较上年末下滑1.89%;负债合计3.65亿元,较上年末增长49.48%;经营活动产生的现金流量净额为9241.49万元,较上年末减少43.28%。

报告期内实现营业总收入3,077,522,876.17元,较上年同期增长13.19%;实现归属于上市公司股东的净利润1,876,962.28元,较上年同期下滑29.94%;本期营业成本为2,808,656,497.54元,较上年同期增长13.43%。

报告期内,公司董事、监事、高级管理人员报酬合计202.94万元。董事长岳祥训年薪为31.97万元,副董事长、总经理宋鹏年薪为13.93万元,董事会秘书李支清年薪为25.75万元,总会计师崔富来年薪为11.9万元。

挖贝网资料显示,泰山石油主要从事批发零售;车用天然气加气业务以及非油品业务。

去年盈余一朝赚回 公募首季盈利或超6000亿元

忽如一夜春风来。去年超越5000亿元的盈余往年一季度就赚回来了,权益基金打了一个美丽的“翻身仗”。

不只如此,随着市场震荡下行,更多的积极信号纷繁呈现。多只基金年内涨幅超越60%,去年的“爆款基金”兴全合宜和首批公募FOF中独一的偏股型产品海富通聚优精选的净值都回到了1元以上,呈现了首只净值超越1.25元的FOF产品,等等。业内人士表示,去年的下跌使得大局部股票的估值到达历史低位程度,往年一季度的下跌只是修复性行情;随着市场动摇加大,公募要保住成功果实二季度需求付出更多努力。

一季度股票型基金净值均匀下跌27.99%

去年公募基金权益产品全体“受伤颇深”。年报数据显示,2018年公募基金全体盈余1236亿元,与2017年大赚5585亿元构成鲜明比照,股票型基金和混合型基金辨别盈余2156.86亿元和3161.19亿元,算计盈余超越5000亿元。

随着往年以来股市片面回暖,股票型基金与混合型基金的净值也同步增长。银河证券基金研讨中心统计数据显示,一季度股票型基金净值均匀下跌27.99%,混合型基金净值均匀下跌19.19%。其中,混合偏股型基金净值均匀下跌26.56%,债券型基金净值均匀下跌2.49%,货币基金净值均匀下跌0.65%。从全部基金预算看,一季度公募基金产品利润额将到达6446.59亿元。其中,股票型基金与混合型基金的利润额将到达5121亿元,不但掩盖了去年一整年的盈余,也相当于2017年的全年利润。

此外,更多的积极信号也不时呈现。诺安高端制造股票基金、国泰融安多战略灵敏配置混合基金、金鹰主题优势混合基金及前海开源恒远灵敏配置混合基金往年以来涨幅均超越60%;2018年终发行的规模为320亿的“爆款基金”兴全合宜也于上周净值回归1元以上,往年以来涨幅近24%;2017年底发行的首批公募FOF中独一的偏股型产品海富通聚优精选净值升至1元上方,往年以来涨幅达27.89%;成立于2018年5月的前海开源裕源FOF目前净值达1.25元,往年以来涨幅超越30%。

业内人士表示,市场一季度的下跌只是对2018年非感性下跌的修复。瞻望二季度,海内市场存在动摇加剧的能够,A股或将遭到一定影响。全体而言,以后A股市场估值相对程度仍处在较低地位,社融等经济前瞻目标曾经企稳,市场不具有大幅下跌的根底。估计二季度A股将持续处于震荡区间,看好A股的临时表现。

二季度紧盯两大投资方向

面对热点不时轮动的市场,公募基金纷繁加大权益仓位。兴业证券任瞳团队的一份统计显示,上周偏股自动型基金均匀仓位为88.67%。其中,普通股票型基金均匀仓位为90.27%,偏股混合型基金均匀仓位为87.96%。和前一期相比,普通股票型基金均匀仓位上升0.16%,偏股混合型基金均匀仓位上升0.55%。

外行业配置方面,上周配置比例上调较多的行业有公用事业、餐饮旅游、纺织服装、商业贸易,配比下调较多的行业有交通运输、医药生物、化工、汽车。总体来看,上周偏股自动型基金次要偏好大盘价值的投资作风,占比是40.54%。

面对市场疾速下跌,局部基金坚持慎重。广发基金以为4月市场或进入震荡休整期,建议回归根本面,关注市场回调后的买点。行业配置方面,广发基金建议关 股市配资 注高景气的风电、计算机、券商、房地产、基建等。

另一家基金公司表示,一季度A股市场出现分明的小盘作风,生长类行业领涨。其中,TMT相关板块随着科创板推出的临近,估值分明上升。目前A股市场中优质公司的估值程度依然处于历史均值以下,和国际同业横向相比也较低,但短期股价涨幅过快,跑在了根本面之前,需求结合正在发布的年报、季报状况对之前的判别给予验证。

行业方面,安全基金表示临时看好技术创新和消费晋级行业,即便某些公司的短期业绩低于预期,但只需公司的绝对竞争优势在继续提升,短期由于需求低于预期招致业绩低于预期而呈现回调,反而是较好的加仓时机。而关于质地较差的公司,则需慎重看待。

股票配资越大配资深度学习GPU最全对比,到底谁才是性价比之王?

搞AI,谁又没有“GPU之惑”?

张量核心、显存带宽、16位能力……各种纷繁复杂的GPU

参数让人眼花缭乱,到底怎幺选?

从不到1000元1050 Ti到近30000元的Titan V,GPU

价格的跨度这幺大,该从何价位下手?谁才是性价比之王?

让GPU执行不同的任务,最佳选择也随之变化,用于计算机视觉和做NLP就不太一样。

而且,用云端TPU、GPU行不行?和本地GPU在处理任务时应该如何分配,才能更省钱?

最合适的AI加速装备,究竟什幺样?

现在,为了帮你找到最适合的装备,华盛顿大学的博士生Tim Dettmers将对比凝练成实用攻略,最新的模型和硬件也考虑在内。

到底谁能在众多GPU中脱颖而出?测评后马上揭晓。

文末还附有一份特别精简的GPU选购建议,欢迎对号入座。

针对不同深度学习架构,GPU参数的选择优先级是不一样的,总体来说分两条路线:

卷积网络和Transformer:张量核心 FLOPs 显存带宽 16位浮点计算能力

循环神经网络:显存带宽 16位浮点计算能力 张量核心 FLOPs

这个排序背后有一套逻辑,下面将详细解释一下。

在说清楚哪个GPU参数对速度尤为重要之前,先看看两个最重要的张量运算:矩阵乘法和卷积。

举个栗子 ,以运算矩阵乘法A×B=C为例,将A、B复制到显存上比直接计算A×B更耗费资源。也就是说,如果你想用LSTM等处理大量小型矩阵乘法的循环神经网络,显存带宽是GPU最重要的属性。

矩阵乘法越小,内存带宽就越重要。

相反,卷积运算受计算速度的约束比较大。因此,要衡量GPU运行ResNets等卷积架构的性能,最佳指标就是FLOPs。张量核心可以明显增加FLOPs。

Transformer中用到的大型矩阵乘法介于卷积运算和RNN的小型矩阵乘法之间,16位存储、张量核心和TFLOPs都对大型矩阵乘法有好处,但它仍需要较大的显存带宽。

需要特别注意,如果想借助张量核心的优势,一定要用16位的数据和权重,避免使用RTX显卡进行32位运算!

下面Tim总结了一张GPU和TPU的标准性能数据,值越高代表性能越好。RTX系列假定用了16位计算,Word RNN数值是指长度 100的段序列的biLSTM性能。

这项基准测试是用PyTorch 1.0.1和CUDA 10完成的。

性价比可能是选择一张GPU最重要的考虑指标。在攻略中,小哥进行了如下运算测试各显卡的性能:

用语言模型Transformer-XL和BERT进行Transformer性能的基准测试。

用最先进的biLSTM进行了单词和字符级RNN的基准测试。

上述两种测试是针对Titan Xp、Titan RTX和RTX 2080 Ti进行的,对于其他GPU则线性缩放了性能差异。

借用了现有的CNN基准测试。

用了亚马逊和eBay上显卡的平均售价作为GPU的参考成本。

最后,可以得出CNN、RNN和Transformer的归一化性能/成本比值,如下所示:

在上面这张图中,数字越大代表每一美元能买到的性能越强。可以看出, RTX 2060比RTX 2070,RTX 2080或RTX 2080 Ti更具成本效益,甚至是Tesla V100性价比的5倍以上。

所以此轮的性价比之王已经确定,是RTX 2060无疑了。

不过,这种考量方式更偏向于小型GPU,且因为游戏玩家不喜欢RTX系列显卡,导致GTX 10xx系列的显卡售价虚高。此外,还存在一定的单GPU偏差,一台有4个RTX 2080 Ti的计算机比两台带8个RTX 2060的计算机性价比更高。所需显存与16位训练

GPU的显存对某些应用至关重要,比如常见的计算机视觉、机器翻译和一部分NLP应用。可能你认为RTX 2070具有成本效益,但需要注意其显存很小,只有8 GB。

不过,也有一些补救办法。

通过16位训练,你可以拥有几乎16位的显存,相当于将显存翻了一倍,这个方法对RTX 2080和RTX 2080 Ti同样适用。

也就是说,16位计算可以节省50%的内存,16位 8GB显存大小与12GB 32位显存大小相当。云端or本地?TPU or GPU?

搞清楚了参数,还有更眼花缭乱的选项摆在面前:

谷歌云、亚马逊AWS、微软的云计算平台都能搞机器学习,是不是可以不用自己买GPU?

英伟达、AMD、英特尔、各种创业公司……AI加速芯片也有不少品牌可选。

面对整个行业的围攻,Tim分析了各家平台的优缺点。英伟达

英伟达无疑是深度学习硬件领域的领导者,大多数深度学习库都对英伟达GPU提供最佳支持。而AMD的OpenCL没有这样强大的标准库。
软件是英伟达GPU非常强大的一部分。在过去的几个月里,NVIDIA还在为软件注入更多资源。例如,Apex库对PyTorch中的16位梯度提供支持,还包括像FusedAdam这样的融合快速优化器。

但是英伟达现在有一项非常坑爹的政策,如果在数据中心使用CUDA,那幺只允许使用Tesla GPU而不能用GTX或RTX GPU。

由于担心法律问题,研究机构和大学经常被迫购买低性价比的Tesla GPU。然而,Tesla与GTX和RTX相比并没有真正的优势,价格却高出10倍。AMD:

AMD GPU性能强大但是软件太弱。虽然有ROCm可以让CUDA转换成可移植的C++代码,但是问题在于,移植TensorFlow和PyTorch代码库很难,这大大限制了AMD GPU的应用。
TensorFlow和PyTorch对AMD GPU有一定的支持,所有主要的网络都可以在AMD GPU上运行,但如果想开发新的网络,可能有些细节会不支持。

对于那些只希望GPU能够顺利运行的普通用户,Tim并不推荐AMD。但是支持AMD GPU和ROCm开发人员,会有助于打击英伟达的垄断地位,将使每个人长期受益。英特尔:

Tim曾经尝试过至强融核处理器,但体验让人失望。英特尔目前还不是英伟达或AMD GPU真正的竞争对手。
至强融核对深度学习的支持比较差,不支持一些GPU的设计特性,编写优化代码困难,不完全支持C++ 11的特性,与NumPy和SciPy的兼容性差。

英特尔曾计划在今年下半年推出神经网络处理器,希望与GPU和TPU竞争,但是该项目已经跳票。谷歌:

谷歌TPU已经发展成为一种非常成熟的云端产品。你可以这样简单理解TPU:把它看做打包在一起的多个专用GPU,它只有一个目的——进行快速矩阵乘法。
如果看一下具有张量核心的V100 GPU与TPUv2的性能指标,可以发现两个系统的性能几乎相同。

TPU本身支持TensorFlow,对PyTorch的支持也在试验中。

TPU在训练大型Transformer GPT-2上取得了巨大的成功,BERT和机器翻译模型也可以在TPU上高效地进行训练,速度相比GPU大约快56%。

但是TPU也并非没有问题,有些文献指出在TPUv2上使用LSTM没有收敛。

TPU长时间使用时还面临着累积成本的问题。TPU具有高性能,最适合在训练阶段使用。在原型设计和推理阶段,应该依靠GPU来降低成本。

总而言之,目前TPU最适合用于训练CNN或大型Transformer,并且应该补充其他计算资源而不是主要的深度学习资源。亚马逊和微软云GPU:

亚马逊AWS和Microsoft Azure的云GPU非常有吸引力,人们可以根据需要轻松地扩大和缩小使用规模,对于论文截稿或大型项目结束前赶出结果非常有用。
然而,与TPU类似,云GPU的成本会随着时间快速增长。目前,云GPU过于昂贵,且无法单独使用,Tim建议在云GPU上进行最后的训练之前,先使用一些廉价GPU进行原型开发。初创公司的AI硬件:

有一系列初创公司在生产下一代深度学习硬件。但问题在于,这些硬件需要开发一个完整的软件套件才能具有竞争力。英伟达和AMD的对比就是鲜明的例子。小结:

总的来说,本地运算首选英伟达GPU,它在深度学习上的支持度比AMD好很多;云计算首选谷歌TPU,它的性价比超过亚马逊AWS和微软Azure。

训练阶段使用TPU,原型设计和推理阶段使用本地GPU,可以帮你节约成本。如果对项目deadline或者灵活性有要求,请选择成本更高的云GPU。最终建议

总之,在GPU的选择上有三个原则:

1、使用GTX 1070或更好的GPU;

2、购买带有张量核心的RTX GPU;

3、在GPU上进行原型设计,然后在TPU或云GPU上训练模型。

针对不同研究目的、不同预算,Tim给出了如下的建议:

最佳GPU:RTX 2070

避免的坑:所有Tesla、Quadro、创始人版的显卡,还有Titan RTX、Titan V、Titan XP

高性价比:RTX 2070,RTX 2060或GTX 1060 (6GB)

穷人之选:GTX 1060 (6GB)

破产之选:GTX 1050 Ti,或者CPU+ AWS / TPU,或者Colab

Kaggle竞赛:RTX 2070

计算机视觉或机器翻译研究人员:采用鼓风设计的GTX 2080 Ti,如果训练非常大的网络,请选择RTX Titans

NLP研究人员:RTX 2080 Ti

已经开始研究深度学习:RTX 20 期货鑫东财配资 70起步,以后按需添置更多RTX 2070

尝试入门深度学习:GTX 1050 Ti传送门

http://timdettmers.com/2019/04/03/which-gpu-for-deep-learning/

除了教你选GPU之外,作者Tim Dettmers之前还写过一篇包含了全套硬件的深度学习装机指南,欢迎继续阅读:

深度学习装机指南:从GPU到显示器,全套硬件最新推荐

完—

相关热词搜索:万元较上年

金河生物去年净利1.64亿同比增长51% 董事长王东晓年薪95万元

海信家电去年净利13.77亿同比下滑32% 董事长汤业国年薪327万元