使用 NGC 集合构筑和部署口罩检测应用程序

使用 NGC 借助于和协同作战皮带检测应用程序

AI 岗位工序很精细。借助于一个 AI 应用程序不是一项简单的勤务，因为它须各种兼具领域专业知识的各种利益相关者来大规模开发和协同作战应用程序。近据科学家和程序员须有效率地访问系统设计系统借助于块，例如基本概念和托盘，它们不仅安全、较高效率，而且兼具借助于其 AI 基本概念所须的基础的系统。

在借助于完应用程序之后，DevOps 和 IT 管理制度人员须一些工具箱，这些工具箱可以帮助他们在各种设备彼此间无缝地协同作战和管理制度这些应用程序，包括本地设备、云设备或底部设备。

NVIDIA 借助于了 NGC 第一版，通过提供较易访问的 GPU 优化系统设计系统，例如托盘、预先体能训练的基本概念、应用框架和借助于 AI 应用程序所须的 Helm 粗略，来简化和减速 AI 岗位工序。

在这篇文章之前，我们将展览如何使用 NGC 第一版和它的质子心底层特性，例如集合、NGC 私有注册表和 AI 借助于块来借助于和协同作战一个皮带检测应用程序，作为一个解释器，该解释器展览了 development-to-deployment 直接。

简化普通用户旅程

随着 NGC 的另一款，NVIDIA 简化了整个普通用户体会，并将所须的相关托盘、基本概念、代码和 Helm 粗略之外在一个大都，而无须在第一版之前定位和协调各种独立的借助于块。

您可以找针对特定勤务的岗位负载的 NGC 集合，如自动语音识别或图像归纳，以及行业 SDK，例如 NVIDIA Clara 或迁移学习 (TLT)。如果您想要借助于一个用于单纯检测的应用程序，那么在第一版之前跟踪该集合，您将在一个大都找所有相关资产。

使用 NVIDIA TF32 Tensor Cores 减速 AI 体能训练

NVIDIA Ampere GPU 的系统引入了第三代 Tensor Cores，以及一新TensorFloat32 (TF32) 种系统减速 FP32 滤波和标量等价。TF32 种系统是AmpereGPU 的系统上 32 位表达式的 AI 体能训练的默认选项。它为的单位DL岗位负载带来了 Tensor Core 减速，而不须对基本概念CGI进行任何更改。

使用本机16 位格式 (FP16/BF16) 的混合精度体能训练仍然是新纪录的选择，只须基本概念CGI之前的几行代码。表1显示了与 FP32 CUDA 质子相比，A100Tensor Cores 的较高等近学发送量。值得指出的是，对于的单位体能训练，A100 提供的较高等近学发送量比上一代体能训练GPU V100 较高 10 倍。

在表面上构造

TF32 是 GPU 的系统 Ampere 一代 Tensor Core 之前新增的一种一新近值种系统。点积近值，它看成了标量等价和滤波的借助于块，将 FP32 的匹配轮化到 TF32，在不人员伤亡精度的情况近值产品，然后将这些产品积累到 FP32 转换器之前。

TF32 只是作为 Tensor Core 系统设计种系统公开，而不是一个类型。内存之前的所有存储和其他系统设计完全保留在 FP32 之前，只有滤波和标量等价在等价之前将它们的匹配转换为 TF32。相反，16位类型提供存储、各种近波函近等等。