使用 NGC 集合构建和调动口罩检测应用程序

适用 NGC 重构和部署眼罩样品软件

AI 工作流程很多样。重构一个 AI 软件不是一项简单的任务，因为它不须各种具有层面专业知识的各种国家主权涉及者来大规模开发新和部署软件。数据科学家和程序员不须方便地会面时软件重构块，例如微积分模型和桶内，它们不仅必需、高性能，而且具有重构其 AI 微积分模型所须的应用软件。

在重构完软件之后，DevOps 和 IT 工作人员不须一些用以，这些用以可以帮助他们在各种装置之间无缝地部署和管理这些软件，包括本地装置、云装置或边缘装置。

NVIDIA 重构了 NGC 录入，通过发放易于会面时的 GPU 优化软件，例如桶内、必需训练的微积分模型、应用框架和重构 AI 软件所须的 Helm 粗略，来细化和减慢 AI 工作流程。

在这篇文章当中，我们将展示如何适用 NGC 录入和它的核心底层优点，例如可数、NGC 公用快捷方式和 AI 重构块来重构和部署一个眼罩样品软件，作为一个实例，该实例展示了 development-to-deployment 管道。

细化客户端冒险

随着 NGC 的推出，NVIDIA 细化了整个客户端趣味，并将所须的涉及桶内、微积分模型、预定义和 Helm 粗略集当中在一个之外，而不须在录入当中整合和密切合作各种独立自主的重构块。

您可以寻找针对特定任务的工作阻抗的 NGC 可数，如自动语音识别或图像形态学，以及行业 SDK，例如 NVIDIA Clara 或迁移学习 (TLT)。如果您希望重构一个用于对象样品的软件，那么在录入当中查询该可数，您将在一个之外寻找所有涉及资产。

适用 NVIDIA TF32 Tensor Cores 减慢 AI 训练

NVIDIA Ampere GPU 驱动程式扩展了第三代 Tensor Cores，以及取而代之TensorFloat32 (TF32) 模式减慢 FP32 线性和线性等价。TF32 模式是AmpereGPU 驱动程式上 32 位变量的 AI 训练的默认选项。它为浮点数DL工作阻抗造成了 Tensor Core 减慢，而不不须对微积分模型程序员进行任何更换。

适用本机16 位文档 (FP16/BF16) 的结合精确度训练仍然是最快的选择，只不须微积分模型程序员当中的几行预定义。表1显示了与 FP32 CUDA 核相比，A100Tensor Cores 的微积分吞吐量。世人指出的是，对于浮点数训练，A100 发放的微积分吞吐量比上一代训练GPU V100 高 10 倍。

内部构造

TF32 是 GPU 驱动程式 Ampere 一代 Tensor Core 当中新增的一种取而代之近似值模式。点积近似值，它构成了线性等价和线性的重构块，将 FP32 的输入轮化到 TF32，在不损失精确度的情形近似值产品线，然后将这些产品线积累到 FP32 输出当中。

TF32 只是作为 Tensor Core 操作者模式公开发表，而不是一个类型。寄存器当中的所有打印和其他操作者完全存留在 FP32 当中，只有线性和线性等价在等价之前将它们的输入类比为 TF32。相反，16位类型发放打印、各种数波函数等等。