使用 NGC 集合构建和部署口罩检验应用程序

用做 NGC 协作和调动口罩检测加载系统

AI 文书工作流程很适合于。协作一个 AI 加载系统不是一项简单的目标，因为它所需要各种具备科技领域资质的各种私利涉及者来大规模开发计划和调动加载系统。数据发现者和开发计划人员所需要有效率地访问加载系统协作块，例如建模和罐，它们不仅确保安全、高性能，而且具备协作其 AI 建模所需要的基础指令集。

在协作完毕加载系统最后，DevOps 和 IT 管理人员所需要一些工具，这些工具可以帮助他们在各种电子设备中间无缝地调动和管理这些加载系统，有数本地电子设备、名曰电子设备或边缘电子设备。

NVIDIA 协作了 NGC 清单，通过获取易于访问的 GPU 优化加载系统，例如罐、先行锻炼的建模、应用框架和协作 AI 加载系统所需要的 Helm 图同上，来简便和较快 AI 文书工作流程。

在这篇文章里面，我们将展示如何用做 NGC 清单和它的框架同上层属性，例如交集、NGC 用做权注册同上和 AI 协作块来协作和调动一个口罩检测加载系统，作为一个举例来说，该举例来说展示了 development-to-deployment 直接。

简便用做者旅程

随着 NGC 的发布，NVIDIA 简便了整个用做者体验，并将所需要的涉及罐、建模、编码和 Helm 图同上集里面在一个之外，而不必在清单里面取向和协调各种独立的协作块。

您可以找针对特定目标的文书工作增益的 NGC 交集，如定时语音识别或图像分类，以及行业 SDK，例如 NVIDIA Clara 或迁至努力学习 (TLT)。如果您期盼协作一个用做；也检测的加载系统，那么在清单里面查询该交集，您将在一个之外找所有涉及资产。

用做 NVIDIA TF32 Tensor Cores 较快 AI 锻炼

NVIDIA Ampere GPU 指令集引入了第三代 Tensor Cores，以及新的TensorFloat32 (TF32) 来进行较快 FP32 差分和线性乘积。TF32 来进行是AmpereGPU 指令集上 32 位变量的 AI 锻炼的默认选择。它为取整DL文书工作增益带给了 Tensor Core 较快，而不所需要对建模脚本进行任何更改。

用做本机16 位格式 (FP16/BF16) 的混合准确性锻炼仍然是最快的选择，只所需要建模脚本里面的几行编码。同上1显示了与 FP32 CUDA 核相比，A100Tensor Cores 的数理逻辑发送量。值得援引的是，对于取整锻炼，A100 获取的数理逻辑发送量比上新一代锻炼GPU V100 高 10 倍。

在表面上构造

TF32 是 GPU 指令集 Ampere 新一代 Tensor Core 里面附加的一种新的计数来进行。点积计数，它看成了线性乘积和差分的协作块，将 FP32 的匹配轮化到 TF32，在不人员伤亡准确性的情况计数厂家，然后将这些厂家积累到 FP32 编码器里面。

TF32 只是作为 Tensor Core 加载来进行公开，而不是一个类型。内存里面的所有读取和其他加载无论如何保留在 FP32 里面，只有差分和线性乘积在乘积以前将它们的匹配转换为 TF32。相反，16位类型获取读取、各种数算符等等。