使用 NGC 集合构建和重新部署口罩检测应用程序

常用 NGC 相结合和布署便衣扫描该软件包

AI 文书工作流程很适合于。相结合一个 AI 该软件包不是一项简单的任务，因为它所需各种具有领域专业知识的各种个人利益方面者来大规模合作开发和布署该软件包。数据科学界和JavaScript所需方便地访问软件包相结合块，例如数学方法和装入，它们不仅安全性、极低性能，而且具有相结合其 AI 数学方法所需的中间件。

在相结合完该软件包再次，DevOps 和 IT 监管人员所需一些基本功能，这些基本功能可以借助他们在各种的设备二者之间无缝地布署和监管这些该软件包，包括本地的设备、云的设备或边缘的设备。

NVIDIA 相结合了 NGC 清单，通过共享易于访问的 GPU 可用性软件包，例如装入、预先专业训练的数学方法、应用领域框架和相结合 AI 该软件包所需的 Helm 范例，来重构和较慢 AI 文书工作流程。

在这一段话当中，我们将展示如何常用 NGC 清单和它的核心底层适应性，例如等价、NGC 私有注册表和 AI 相结合块来相结合和布署一个便衣扫描该软件包，作为一个示例，该示例展示了 development-to-deployment 管道。

重构软件历险

随着 NGC 的推出，NVIDIA 重构了整个软件体验，并将所需的方面装入、数学方法、编码和 Helm 范例集当中在一个；也，而无需在清单当中定位和协调各种独立的相结合块。

您可以找到针对特定任务的文书工作接地的 NGC 等价，如自动语音识别或图像分类，以及从业人员 SDK，例如 NVIDIA Clara 或迁入学习 (TLT)。如果您希望相结合一个用做对象扫描的该软件包，那么在清单当中搜索该等价，您将在一个；也找到所有方面资产。

常用 NVIDIA TF32 Tensor Cores 较慢 AI 专业训练

NVIDIA Ampere GPU 架构引入了第三代 Tensor Cores，以及新的TensorFloat32 (TF32) 种系统较慢 FP32 频域和等价幂。TF32 种系统是AmpereGPU 架构上 32 位变量的 AI 专业训练的默认可选。它为单精度DL文书工作接地造就了 Tensor Core 较慢，而不所需对数学方法脚本进行任何更改。

常用本机16 位格式 (FP16/BF16) 的混搭精度专业训练几乎是最快的选择，只所需数学方法脚本当中的几行编码。表1标示出了与 FP32 CUDA 核相比，A100Tensor Cores 的数论吞吐能力。特别指出的是，对于单精度专业训练，A100 共享的数论吞吐能力比上一代专业训练GPU V100 极低 10 倍。

内部构造

TF32 是 GPU 架构 Ampere 一代 Tensor Core 当中新增的一种新的量度种系统。点积量度，它组成了等价幂和频域的相结合块，将 FP32 的输入轮化到 TF32，在不损失精度的情况下量度产品，然后将这些产品造就到 FP32 输出当中。

TF32 只是作为 Tensor Core 操作种系统公开，而不是一个种类。闪存当中的所有存储和其他操作完全保留在 FP32 当中，只有频域和等价幂在幂之前将它们的输入转换为 TF32。相反，16位种类共享存储、各种数算符等等。