使用 NGC 子集构建和部署口罩检测应用程序

采用 NGC 实现和布署面罩监测操作系统

AI 指导工作系统设计很比较恰当。实现一个 AI 操作系统不是一项恰当的勤务，因为它只能各种具有领域专业知识的各种公共利益就其来大规模开发和布署操作系统。数据研究小组和开发人员只能便捷地访问该软件实现块，例如数理逻辑模型和容器，它们不仅安全、很低性能，而且具有实现其 AI 数理逻辑模型所必需的基础前提。

在实现完操作系统便，DevOps 和 IT 管理人员只能一些机器，这些机器可以帮助他们在各种电子设备之间无缝地布署和管理这些操作系统，最主要本地电子设备、虹电子设备或边缘电子设备。

NVIDIA 实现了 NGC 数据库，通过提供难于访问的 GPU 优化该软件，例如容器、预先军事训练的数理逻辑模型、分析方法前提和实现 AI 操作系统所必需的 Helm 图表，来简便和减缓 AI 指导工作系统设计。

在这短文中所，我们将展示出如何采用 NGC 数据库和它的当前最上层特性，例如论域、NGC 私有Finder和 AI 实现块来实现和布署一个面罩监测操作系统，作为一个范例，该范例展示出了 development-to-deployment 渠道。

简便其他用户旅行

随着 NGC 的面世，NVIDIA 简便了整个其他用户体验，并将所必需的相关容器、数理逻辑模型、编译器和 Helm 图表密集在一个地方，而无必需在数据库中所定位和协调各种实质上的实现块。

您可以看到针对特定勤务的指导工作增益的 NGC 论域，如终端语音识别或图像形态学，以及从业者 SDK，例如 NVIDIA Clara 或迁离学习 (TLT)。如果您愿意实现一个用作都可监测的操作系统，那么在数据库中所搜索该论域，您将在一个地方看到所有相关不动产。

采用 NVIDIA TF32 Tensor Cores 减缓 AI 军事训练

NVIDIA Ampere GPU 前提扩展了第三代 Tensor Cores，以及重新TensorFloat32 (TF32) 方式上减缓 FP32 差分和行列式乘法。TF32 方式上是AmpereGPU 前提上 32 位变量的 AI 军事训练的默认默认。它为单精确度DL指导工作增益带来了 Tensor Core 减缓，而不只能对数理逻辑模型分镜进行时任何改成。

采用本机16 位格式 (FP16/BF16) 的混精确度军事训练仍然是最快的选择，只只能数理逻辑模型分镜中所的几行编译器。表1显示了与 FP32 CUDA 连锁反应相比，A100Tensor Cores 的数理逻辑旅客量。格外指出的是，对于单精确度军事训练，A100 提供的数理逻辑旅客量比上十代军事训练GPU V100 很低 10 倍。

外部构造

TF32 是 GPU 前提 Ampere 十代 Tensor Core 中所升级的一种重新计算方式上。点积计算，它连在一起了行列式乘法和差分的实现块，将 FP32 的输入轮化到 TF32，在不损失惨重精确度的情况下计算厂家，然后将这些厂家积聚到 FP32 输出中所。

TF32 只是作为 Tensor Core 操作方式上公开，而不是一个类型。CPU中所的所有存储设备和其他操作仅仅保留在 FP32 中所，只有差分和行列式乘法在乘法之前将它们的输入叠加为 TF32。相反，16位类型提供存储设备、各种数算符等等。