使用 NGC 集合借助于和部署口罩检测应用程序

适用 NGC 相结合和部署面罩测定应用程序

AI 临时工流程很复杂。相结合一个 AI 应用程序不是一项最简单的战斗任务，因为它需要各种具有领域专业知识的各种共同利益具体来说来大规模开发和部署应用程序。数据资料科学家和开发人员需要方便地访问操作系统相结合块，例如三维和容器，它们不仅安全、轻量，而且具有相结合其 AI 三维所需要的基础体系结构。

在相结合完应用程序之前，DevOps 和 IT 监管人员需要一些用以，这些用以可以帮助他们在各种的设备错综复杂无缝地部署和监管这些应用程序，包括本地的设备、云的设备或边缘的设备。

NVIDIA 相结合了 NGC 附录，通过获取非常容易访问的 GPU 优化操作系统，例如容器、预先受训的三维、应用框架和相结合 AI 应用程序所需要的 Helm 图此表，来简化和减缓 AI 临时工流程。

在这篇文章当中，我们将展览如何适用 NGC 附录和它的核分裂心底层特点，例如集合、NGC 私有注册此表和 AI 相结合块来相结合和部署一个面罩测定应用程序，作为一个示例，该示例展览了 development-to-deployment 燃气。

简化浏览器旅程

随着 NGC 的推出，NVIDIA 简化了整个浏览器感受，并将所需要的具体容器、三维、字符串和 Helm 图此表集当中在一个；也，而无需要在附录当中定位和协调各种分立的相结合块。

您可以找到针对特定战斗任务的临时工载荷的 NGC 集合，如自动语音识别或图像分类，以及大型企业 SDK，例如 NVIDIA Clara 或迁移学习 (TLT)。如果您希望相结合一个用于对象测定的应用程序，那么在附录当中搜索该集合，您将在一个；也找到所有具体金融机构。

适用 NVIDIA TF32 Tensor Cores 减缓 AI 受训

NVIDIA Ampere GPU 体系结构应运而生了第三代 Tensor Cores，以及取而代之TensorFloat32 (TF32) 方式在减缓 FP32 线性和算子幂。TF32 方式在是AmpereGPU 体系结构上 32 位给定的 AI 受训的默认选项。它为单精度DL临时工载荷造就了 Tensor Core 减缓，而不需要对三维脚本语言来进行任何重置。

适用本机16 位格式 (FP16/BF16) 的混合精度受训仍然是最快的选择，只需要三维脚本语言当中的几行字符串。此表1揭示了与 FP32 CUDA 核分裂相比，A100Tensor Cores 的较低等数学吞吐能力。值得指出的是，对于单精度受训，A100 获取的较低等数学吞吐能力比上一代受训GPU V100 较低 10 倍。

内部内部结构

TF32 是 GPU 体系结构 Ampere 一代 Tensor Core 当中新增的一种取而代之计算方式在。点积计算，它看成了算子幂和线性的相结合块，将 FP32 的转换成轮化到 TF32，在不损失精度的但会计算的产品，然后将这些的产品积累到 FP32 输出当中。

TF32 只是作为 Tensor Core 操作方式在引起争议，而不是一个特点。内存当中的所有读取和其他操作完全保留在 FP32 当中，只有线性和算子幂在幂此前将它们的转换成类比为 TF32。相反，16位特点获取读取、各种数算符等等。