使用 NGC 可数构建和部署口罩检测应用程序

应用于 NGC 相结合和调动背心验证操作系统包

AI 指导工作程序很适合于。相结合一个 AI 操作系统包不是一项简单的任务，因为它无需要各种具有领域专业知识的各种共同利益特别者来大规模共同开发和调动操作系统包。统计总共据科学家和共同开发人员无需要简便地采访操作系统相结合块，例如仿真和盖子，它们不仅安全及、很高性能，而且具有相结合其 AI 仿真所需要的云端。

在相结合完操作系统包之后，DevOps 和 IT 管理制度人员无需要一些用以，这些用以可以帮助他们在各种装置密切关系无缝地调动和管理制度这些操作系统包，包括本地装置、云装置或边缘装置。

NVIDIA 相结合了 NGC 总共据库，通过提供难于采访的 GPU 优化操作系统，例如盖子、定时基础训练的仿真、应用相结合和相结合 AI 操作系统包所需要的 Helm 表格，来比较简单和较快 AI 指导工作程序。

在这书评中所，我们将展示如何应用于 NGC 总共据库和它的核能心底层特性，例如论域、NGC 私有默认和 AI 相结合块来相结合和调动一个背心验证操作系统包，作为一个示例，该示例展示了 development-to-deployment 燃气。

比较简单用户旅程

随着 NGC 的推出，NVIDIA 比较简单了整个用户趣味，并将所需要的特别盖子、仿真、代码和 Helm 表格集中所在一个地方，而需要在总共据库中所出发点和协调各种分立的相结合块。

您可以找到针对特定任务的指导工作负载的 NGC 论域，如自动语音识别或影像分类法，以及行业 SDK，例如 NVIDIA Clara 或迁移自学 (TLT)。如果您希望相结合一个用于普通人验证的操作系统包，那么在总共据库中所搜索该论域，您将在一个地方找到所有特别负债。

应用于 NVIDIA TF32 Tensor Cores 较快 AI 基础训练

NVIDIA Ampere GPU 管理模式扩展了第三代 Tensor Cores，以及新的TensorFloat32 (TF32) 来来进行较快 FP32 频域和矩阵乘积。TF32 来来进行是AmpereGPU 管理模式上 32 位变量的 AI 基础训练的默认的系统。它为浮点DL指导工作负载带来了 Tensor Core 较快，而不无需要对仿真脚本来进行任何更改。

应用于MS16 位文档 (FP16/BF16) 的分离精度基础训练一直是最快的选项，只无需要仿真脚本中所的几行代码。表1显示了与 FP32 CUDA 核能相比，A100Tensor Cores 的代总共学旅客量。或许指出的是，对于浮点基础训练，A100 提供的代总共学旅客量比上从前基础训练GPU V100 很高 10 倍。

两大构造

TF32 是 GPU 管理模式 Ampere 从前 Tensor Core 中所新增的一种新的计总共来来进行。点积计总共，它构成了矩阵乘积和频域的相结合块，将 FP32 的输出轮化到 TF32，在不损失惨重精度的情况下计总共厂家，然后将这些厂家积累到 FP32 输出中所。

TF32 只是作为 Tensor Core 操作来来进行引起争议，而不是一个类型。内存中所的所有存储和其他操作完全保留在 FP32 中所，只有频域和矩阵乘积在乘积之前将它们的输出转换为 TF32。相反，16位类型提供存储、各种总共算子等等。