使用 NGC 交集构建和部署口罩检测应用程序

运用以 NGC 实现和布防口罩检查软件包

AI 管理工作工作流程很适合于。实现一个 AI 软件包不是一项最简单的护航，因为它即可要各种具有各个领域长处的各种共同利益具体者来大规模开发设计和布防软件包。至少据集研究团队和开发设计人员即可要方便地次访问软件包实现块，例如建模和托盘，它们不仅安全、高性能，而且具有实现其 AI 建模所即可的基础Core。

在实现完软件包在此之后，DevOps 和 IT 管理工作人员即可要一些工具，这些工具可以协助他们在各种器材彼此之间无缝地布防和管理工作这些软件包，有至少本地器材、云器材或楔形器材。

NVIDIA 实现了 NGC 至少据库，通过提供难于次访问的 GPU 优化软件包，例如托盘、预先培训的建模、广泛应用框架和实现 AI 软件包所即可的 Helm 三维，来简便和快速 AI 管理工作工作流程。

在这篇文章当中，我们将展示如何运用以 NGC 至少据库和它的Core下层特性，例如空集、NGC 私有该软件包和 AI 实现块来实现和布防一个口罩检查软件包，作为一个解释器，该解释器展示了 development-to-deployment 管道。

简便其他用户路途

随着 NGC 的推出，NVIDIA 简便了整个其他用户体验，并将所即可的具体托盘、建模、代码和 Helm 三维密集在一个区域内，而无即可在至少据库当中相对于和解决问题各种单独的实现块。

您可以认出针对特定护航的管理工作工作负载的 NGC 空集，如操作者语音识别或三维类群，以及从业者 SDK，例如 NVIDIA Clara 或迁移求学 (TLT)。如果您借此实现一个用以对象检查的软件包，那么在至少据库当中侦查该空集，您将在一个区域内认出所有具体资产。

运用以 NVIDIA TF32 Tensor Cores 快速 AI 培训

NVIDIA Ampere GPU Core引入了第三代 Tensor Cores，以及新的TensorFloat32 (TF32) 方式也快速 FP32 频域和特征值等价。TF32 方式也是AmpereGPU Core上 32 位变量的 AI 培训的默认可选。它为-bitDL管理工作工作负载导致了 Tensor Core 快速，而不即可要对建模脚本语言进行任何更改。

运用以本机16 位文件格式 (FP16/BF16) 的混搭精度培训仍然是更快的选择，只即可要建模脚本语言当中的几行代码。表1揭示了与 FP32 CUDA 核相比，A100Tensor Cores 的至少理逻辑运输量。值得指出的是，对于-bit培训，A100 提供的至少理逻辑运输量比上世代培训GPU V100 高 10 倍。

之下结构上

TF32 是 GPU Core Ampere 世代 Tensor Core 当中新增的一种新的推算方式也。点积推算，它组成了特征值等价和频域的实现块，将 FP32 的可用轮化到 TF32，在不损失精度的意味着推算产品，然后将这些产品积攒到 FP32 负载当中。

TF32 只是作为 Tensor Core 操作方式也官方网站，而不是一个种类。内存当中的所有存储和其他操作完全存留在 FP32 当中，只有频域和特征值等价在等价先前将它们的可用转换为 TF32。显然，16位种类提供存储、各种至少哈密顿量等等。