NVIDIA Hopper 架构首次发布了速度更快的低精度 AI 训练方法。Hopper Transformer Engine 能够自动分析工作负载，尽可能采用 FP8 并以 FP32 累积结果。
在进行计算密集度较低的推理工作，比如在生产中运行 AI 模型时，TensorFlow 和 PyTorch 等主要框架通过支持 8 位整数实现快速性能，因为这样就不需要使用小数点来完成工作。
好消息是，NVIDIA GPU 支
阅读全文 → 2022-12-05
NVIDIA Omniverse™ 最新公测版近期已发布。新版本对核心参考应用和工具进行了更新，可供开发者、创作者和想要构建元宇宙应用的新手使用。
Omniverse 平台的每一个核心组件都进行了更新，使其在跨应用协作工作流中的运行变得更加快速、方便和灵活。
借助全新 NVIDIA Ada Lovelace 架构的支持，并得益于 NVIDIA 仿真模拟技术的发展，Omniverse 全新公测版侧重于最大程度地简化“从多个第三方
阅读全文 → 2022-12-05
就目前我所接触来看：
1 多源数据融合，例如主被动数据联合反演
2 多角度遥感 无人机多角度
3 激光雷达植被建模
4 三维植被辐射传输模型
5 反演理论
6 模型的改进 几何光学 辐射传输
7 深度学习相关 去云 去雾 时间序列 预测更新：智慧遥感，实时化。
例如用户要求做某处观测，可以快速调动相关卫星观测。遥感深度学习的目标识别，分类分割等
阅读全文 → 2022-12-02
关于芯片和 AI加速卡的区别，主要是应用场景的不同，比如在嵌入式相机或者前端应用里，一般可能会直接用芯片的方案。但在后端，比如在工控机里面有很多路的视频，或者很多路、很大量的图片做高效的处理时，一般是用加速卡的方式来做。
阅读全文 → 2022-12-02
这个问题一方面说是问题，一方面说也不是问题。因为现在GPU的内存不是很大，但是我觉得对具体案例来说，要对数据流进行优化，比如做循环时，怎么对循环的过程进行GPU的并行数据化，尽量整块进行GPU的写入。另外一个是可能不需要双精度的问题，把数据转换成单精度的来计算或者是半精度，从而节省内存。
阅读全文 → 2022-12-02
这里的优化原则就是对于访问密集型计算可以进行一定fusion，用于减少访存量。当然也没有那么简单，比如把相应的kernel结合在一起，如果底层没有Kernel支持，我们会有CUDA代理的支持类，自动产生相当于跟fuse的多样的pattern可以匹配的一个Kernel。
阅读全文 → 2022-12-02
网络研讨会
了解更多
注册以接收 蓝海大脑 活动/网络研讨会邀请
地址：北京市海淀区东北旺南路29号蓝海中心
联系电话：010－82770520
联系邮箱：marketing@lanhy.cn
蓝海大脑 京ICP备18017748号-1