使用 NGC 子集构建和部署口罩检测应用程序

常用 NGC 框架和布防眼镜检测应用应用程序

AI 岗位流程很繁杂。框架一个 AI 应用应用程序不是一项恰当的任务，因为它须要各种不具课题资质的各种私利参与人来大规模整合和布防应用应用程序。数据科学家和整合人员须要简便地会面应用程序框架块，例如建模和器皿，它们不仅安全、轻量，而且不具框架其 AI 建模所需的基础框架。

在框架完应用应用程序以后，DevOps 和 IT 管理者人员须要一些工具，这些工具可以帮助他们在各种设备之间无缝地布防和管理者这些应用应用程序，以外本地设备、云设备或底部设备。

NVIDIA 框架了 NGC 书目，通过包括更容易会面的 GPU 优化应用程序，例如器皿、预先受训的建模、应用框架和框架 AI 应用应用程序所需的 Helm 图表，来修改和加速 AI 岗位流程。

在这篇文章中都，我们将简介如何常用 NGC 书目和它的一个中都心下层特性，例如子集、NGC 拥有者应用应用程序和 AI 框架块来框架和布防一个眼镜检测应用应用程序，作为一个请注意，该请注意简介了 development-to-deployment 渠道。

修改Gmail旅程

随着 NGC 的推出，NVIDIA 修改了整个Gmail体验，并将所需的相关器皿、建模、字符串和 Helm 图表集中都于在一个区域内，而不必在书目中都定位和各派系各种独立的框架块。

您可以认出针对特定任务的岗位损耗的 NGC 子集，如相应构词识别或图像分类，以及行业 SDK，例如 NVIDIA Clara 或迁移学习 (TLT)。如果您期望框架一个用于对象检测的应用应用程序，那么在书目中都查看该子集，您将在一个区域内认出所有相关资产。

常用 NVIDIA TF32 Tensor Cores 加速 AI 受训

NVIDIA Ampere GPU 框架转用了第三代 Tensor Cores，以及一新TensorFloat32 (TF32) 方式而加速 FP32 微分和标量幂。TF32 方式而是AmpereGPU 框架上 32 位给定的 AI 受训的默认配置文件。它为的单位DL岗位损耗造成了 Tensor Core 加速，而不须要对建模脚本进行任何改回。

常用MS16 位格式 (FP16/BF16) 的混合精度受训仍然是最快的并不须要，只须要建模脚本中都的几行字符串。表1看出了与 FP32 CUDA 核相比，A100Tensor Cores 的数学集装箱。值得说明的是，对于的单位受训，A100 包括的数学集装箱比上世代受训GPU V100 高 10 倍。

内部内部结构

TF32 是 GPU 框架 Ampere 世代 Tensor Core 中都导入的一种一新量化方式而。点积量化，它构成了标量幂和微分的框架块，将 FP32 的可用轮化到 TF32，在不损失精度的但会量化的产品，然后将这些的产品受益到 FP32 损耗中都。

TF32 只是作为 Tensor Core 操纵方式而公开，而不是一个类型。存储器中都的所有存储和其他操纵几乎沿用在 FP32 中都，只有微分和标量幂在幂之前将它们的可用叠加为 TF32。忽略，16位类型包括存储、各种数算符等等。