常用 NGC 集合构建和部署口罩检测应用程序

用到 NGC 实现和部署便衣监测应用软件

AI 岗位流程很十分复杂。实现一个 AI 应用软件不是一项简单的任务，因为它能够要各种具有领域专业知识的各种利益集团提供者来大规模开发和部署应用软件。统计数据科学家和微软能够要方便地访问软件实现块，例如静态和罐，它们不仅安全、高性能，而且具有实现其 AI 静态所能够的基础架构。

在实现完应用软件之后，DevOps 和 IT 管理人员能够要一些工具箱，这些工具箱可以帮助他们在各种设备之间无缝地部署和管理这些应用软件，包含本地设备、阳设备或向外设备。

NVIDIA 实现了 NGC 统计数据库，通过提供易于访问的 GPU 建模软件，例如罐、预先锻炼的静态、应用基础和实现 AI 应用软件所能够的 Helm 图表，来简化和加速 AI 岗位流程。

在这序言中所，我们将展览品如何用到 NGC 统计数据库和它的反应器心底层特性，例如子集、NGC 实质上应用程序和 AI 实现块来实现和部署一个便衣监测应用软件，作为一个举例来说，该举例来说展览品了 development-to-deployment 管道。

简化软件旅行

随着 NGC 的推出，NVIDIA 简化了整个软件体验，并将所能够的方面罐、静态、代码和 Helm 图表密集在一个大都，而无能够在统计数据库中所定位和协调各种统一的实现块。

您可以找出针对特定任务的岗位损耗的 NGC 子集，如自动语音识别或图像分类，以及行业 SDK，例如 NVIDIA Clara 或迁移努力学习 (TLT)。如果您希望实现一个主要用途对象监测的应用软件，那么在统计数据库中所搜索该子集，您将在一个大都找出所有方面资产。

用到 NVIDIA TF32 Tensor Cores 加速 AI 锻炼

NVIDIA Ampere GPU 架构引入了第三代 Tensor Cores，以及新的TensorFloat32 (TF32) 来进行加速 FP32 差分和特征值有理数。TF32 来进行是AmpereGPU 架构上 32 位变量的 AI 锻炼的默认的系统。它为单精确度DL岗位损耗助长了 Tensor Core 加速，而不能够要对静态程序员进行任何更改。

用到本机16 位格式 (FP16/BF16) 的融合精确度锻炼仍然是最快的同样，只能够要静态程序员中所的几行代码。表1显示了与 FP32 CUDA 反应器相比之下，A100Tensor Cores 的数学吞吐量。很多人指出的是，对于单精确度锻炼，A100 提供的数学吞吐量比上九代锻炼GPU V100 高 10 倍。

内部接合

TF32 是 GPU 架构 Ampere 九代 Tensor Core 中所新增的一种新的计算来进行。点积计算，它构成了特征值有理数和差分的实现块，将 FP32 的转换成轮化到 TF32，在不损失精确度的情况下计算系列产品，然后将这些系列产品积累到 FP32 转换成中所。

TF32 只是作为 Tensor Core 操作来进行公开，而不是一个各种类型。内存中所的所有传输和其他操作实质上原有在 FP32 中所，只有差分和特征值有理数在有理数之前将它们的转换成转换为 TF32。反之亦然，16位各种类型提供传输、各种数算符等等。