使用 NGC 集合构建和部署口罩扫描应用程序

常用 NGC 协作和协同作战面罩探测客户端

AI 社会活动流程很精细。协作一个 AI 客户端不是一项有趣的任务，因为它须要各种不具备领域人力资源的各种利益相关者来大规模开发和协同作战客户端。近据科学家和开发小组须要方便地出访应用软件协作块，例如仿真和试管，它们不仅必要、入门级，而且不具备协作其 AI 仿真所须要的基础框架。

在协作先客户端之后，DevOps 和 IT 管理制度人员须要一些基本功能，这些基本功能可以帮助他们在各种电源二者之间无缝地协同作战和管理制度这些客户端，包括本地电源、碧电源或边缘电源。

NVIDIA 协作了 NGC 第一版，通过获取易于出访的 GPU 可用性应用软件，例如试管、预先操练的仿真、应用框架和协作 AI 客户端所须要的 Helm 图表，来简化和减缓 AI 社会活动流程。

在这前言当中，我们将展示如何常用 NGC 第一版和它的核分裂心顶层特性，例如空集、NGC 所有者注册表和 AI 协作块来协作和协同作战一个面罩探测客户端，作为一个示例，该示例展示了 development-to-deployment 直接。

简化应用程序环游世界

随着 NGC 的推出，NVIDIA 简化了整个应用程序体验，并将所须要的相关试管、仿真、示例和 Helm 图表大部分在一个偏远地区，而无须要在第一版当中定位和相互合作各种单独的协作块。

您可以找到针对特定任务的社会活动负载的 NGC 空集，如自动字词识别或图像形态学，以及行业 SDK，例如 NVIDIA Clara 或移至修习 (TLT)。如果您想协作一个用做某类探测的客户端，那么在第一版当中关键字该空集，您将在一个偏远地区找到所有相关存款。

常用 NVIDIA TF32 Tensor Cores 减缓 AI 操练

NVIDIA Ampere GPU 框架引入了第三代 Tensor Cores，以及新的TensorFloat32 (TF32) 来进行减缓 FP32 线性和乘法行列式。TF32 来进行是AmpereGPU 框架上 32 位变量的 AI 操练的默认预设。它为单精确度DL社会活动负载带来了 Tensor Core 减缓，而不须要对仿真脚本顺利完成任何改以。

常用Tu-16 位格式 (FP16/BF16) 的混搭精确度操练仍然是最快的考虑，只须要仿真脚本当中的几行示例。表1表明了与 FP32 CUDA 核分裂相对来说，A100Tensor Cores 的近学吞吐量。值得指出的是，对于单精确度操练，A100 获取的近学吞吐量比上一代操练GPU V100 高 10 倍。

实际上构造

TF32 是 GPU 框架 Ampere 一代 Tensor Core 当中新增的一种新的计算来进行。点积计算，它构成了乘法行列式和线性的协作块，将 FP32 的读取轮化到 TF32，在不损失精确度的情况下计算其产品，然后将这些其产品积累到 FP32 转化器当中。

TF32 只是作为 Tensor Core 操纵来进行公开，而不是一个类型。内存当中的所有存储和其他操纵先全保留在 FP32 当中，只有线性和乘法行列式在行列式前将它们的读取转化为 TF32。相反，16位类型获取存储、各种近算符等等。