正昱科技:我们助力企业AI创新

http://www.it.hc360.com2018年04月16日17:44T|T

    你知道,你所谈到的AI到底是什么么?

    科幻小说?电影?

    

    未来?还是我们现在的生活?

    

    当AlphaGo程序打败韩国职业围棋高手LeeSe-dol的时候,媒体都说AlphaGo之所以打败LeeSe-dol,是因为DeepMind用到了AI、机器学习、深度学习这三项技术。

    

    但,你知道吗?

    今天的AI大爆发是由深度学习驱动的!

    

    AI最先出现的是理念:

    1956年在达特茅斯会议(DartmouthConferences)上,计算机科学家首次提出了“AI”术语,并提出AI先驱者们的梦想:“让机器展现出人类智力”。

    AI由此诞生!

    在当时的会议上,出现了建造“强人工智能(GeneralAI)”,即呈现出人类智力特征的机器。和建造“弱人工智能(NarrowAI)”,即像人类一样,甚至比人类能更好地完成某些具体任务的机器,两种发展方式。

    而这之后机器学习应运而生。

    在过去几年里机器学习在:决策树学习、归纳逻辑程序设计、聚类分析(Clustering)、强化学习、贝叶斯网络等方面繁荣发展。

    因为机器学习繁荣发展,这才出现了深度学习。

    深度学习,如今应用在什么领域??

    

    面部识别:

    

    人脸识别是通过人的面部信息进行身份确认的生物特征识别技术。

    相较于几何结构和子空间布局特征,深度学习的面部识别方式,进一步简化了面部识别的方法,可以详细了解面部图像的规律,不但能够快速学习,而且所消耗的时间也很短,具有较高的识别效率等多种优点。

    语音识别:

    

    语音识别(automaticspeechrecognition,ASR)是指能够让计算机自动地识别语音中所携带信息的技术。

    在语音识别领域,深度学习迅速成为了当下学术界和产业界的研究热点,为处在瓶颈期的语音等模式识别领域,提供了一个强有力的工具。

    深度神经网络(deepneuralnetwork,DNN)模型给处在瓶颈阶段的传统的GMM-HMM模型带来了巨大的革新,使得语音识别的准确率又上了一个新的台阶。目前国内外知名互联网企业(谷歌、科大讯飞及百度等)的语音识别算法都采用的是DNN方法。

    无人驾驶:

    

    无人驾驶就是让汽车自己拥有环境感知、路径规划并自主实现车辆控制的技术。包括:环境感知、决策规划、运动控制。

    拥有了“深度学习”系统的端到端技术意味着,只需要人们提供少量的训练数据,系统就能自动学会驾驶技术,无论有没有车道标志线,无论是在普通公路还是高速公路。这套系统还可以工作在视线不清晰的区域,比如停车场或者崎岖的道路上。

    医疗健康:

    

    深度学习在医疗健康领域的机遇主要有七大方向:

    一是提供临床诊断辅助系统等医疗服务,应用于早期筛查、诊断、康复、手术风险评估场景;

    二是医疗机构的信息化,通过数据分析,帮助医疗机构提升运营效率;

    三是进行医学影像识别,帮助医生更快更准地读取病人的影像所见;

    四是利用医疗大数据,助力医疗机构大数据可视化及数据价值提升;

    五是在药企研发领域,解决药品研发周期长、成本高的问题;

    六是健康管理服务,通过包括可穿戴设备在内的手段,监测用户个人健康数据,预测和管控疾病风险;

    七是在基因测序领域,将深度学习用于分析基因数据,推进精准医疗。

    目前,市面上比较常见并且高效运转的,主要是自然语言理解类辅助诊断系统和医学影像识别类辅助诊断系统两个领域。

    安全防护:

    

    深度学习,提供了一种新的处理云端大数据安全防护问题的思路,它在安全,欺诈和检测滥用方面的表现尤其令人激动。目前这种技术,正在彻底改变着自然语言处理和恶意软件检测。

    深度学习可以改变机器学习的数学,在大多数问题上,不仅仅是今天的恶意软件检测,我们都可以使用更少的分析,得到更好的结果。

    深度学习能导入原始交易和用户数据,并应用神经网络技术自动执行这个特征提取的过程。对于某些问题(如图像识别),人类很难编写出提取这些特征的代码。

    目前,深度学习正在取得重大进展,解决了人工智能界的尽最大努力很多年仍没有进展的问题。

    它已经被证明,它能够擅长发现高维数据中的复杂结构,因此它能够被应用于科学、商业和政府等领域。

    

    因此,无论您是刚开始接触深度学习,还是期望提升您的深度学习效率,正昱科技在此致力于提供工具和资源对接,助您成功。

    但

    (一)市场上提供的深度学习硬件配置有严重缺陷

    目前,人工智能、区块链、深度学习太火爆了。

    销售深度学习服务器、工作站,各显神通,只要做IT的就敢卖,一夜全成了专家。

    似乎,只要机器里能插GPU,插的越多性能越强。

    但实际情况是:

    相关行业客户反馈:

    1:为什么4块GPU工作站,比人家2块GPU工作站还慢

    2:为什么同样都是8块GPU卡,就比人家的慢

    3:为什么GPU卡足够多了,还是慢

    4:GPU工作站噪音巨大,无法放到办公室用,怎么办?

    而大多用户认为:

    1:只要有足够多GPU卡,性能肯定更强大

    2:CPU核数,频率不重要,把钱砸到GPU上就行

    3:硬盘内存也不重要,最重要的是GPU卡,越多越好

    问题来了,深度学习需要什么样的硬件配置才是最合理,最高效的。

    正昱科技认为,任何行业,只要是做产品的,无外乎两个关键点:

    1、品质,

    2、性价比。

    (二)深度学习硬件架构分析

    大道至简,从根儿上找问题,首先一定从深度学习计算过程分析

    

    上述图示,深度学习大致流程,下面通过其计算环节,分析一下核心硬件配置

    

    

    常见硬件配置上的低级错误:

    1.硬盘用普通PC硬盘,寿命短,带宽低,或数量不够,

    2.CPU用的最通用的,频率太低,数据预处理太慢,成为整个计算的最大瓶颈,

    3.为了把钱用到“刀刃上”—尽可能多配GPU卡,但是总显存比内存容量大,或者CPU核数低于GPU卡数,这些都会造成计算过程资源不匹配,数据来回从虚拟内存导入,计算变慢。

    (三)机器学习工作站配置推荐

    针对以上深度学习计算过程、低级配置错误分析,如何打造整个机器成为超算系统,完美强大高效还静音呢?

    正昱深度学习超级计算系统显著优势:

    1、CPU频率选择合理,大幅加速深度学习预处理过程

    2、GPU支持更多卡,散热严格把控

    3、硬盘位更强大,容量轻松达到P级

    4、机器完美静音,不需专门机房,维护成本降低

    5、根据用户需求,订制机器更具性价比

    6、此外,订制机器用途广,扩展能力强,调整配置后,可为电磁仿真计算(CST)、量子化学/分子动力学计算(VASP、AMBER等)、语音识别、面部识别等应用,提供超强的计算、图形生成能力。

    因此,我们正昱深度学习工作站解决方案白皮书:

    (1)正昱GS995GPU服务器

    

    正昱GS995是专为科研院校、人工智能行业设计的全新一代旗舰型双路4GPU的高性能计算服务器。

    使用了最新的PASCAL架构的TeslaP100GPU加速卡,并采用业界最快的m.2

    系统盘,支持40Gbp/sThunderbolt3接口,支持最高112TB存储容量。

    适合人工智能、大数据分析、视频分析、医学影像分析、高性能计算各个行业。

    其最新的、革命性的Skylake-SP架构的XeonScalable至强可扩展处理器,拥有全新引入的Mesh网格式架构和最快的UltraPathInterconnect(UPI)高速点到点互连总线,最多28核心56线程、六通道2TBDDR4内存和NVDIAITESALPascal架构专业GPU卡为AI复杂的模型训练、推理提供强大的动力,借助他无论深度学习训练还是高性能计算都能流畅运行。

    (2)GisdomGW8000GPU工作站

    

    GisdomGW8000GPU工作站,支持8个GPU卡,GisdomGW8000是市场上最强大GPU工作站。

    利用它快速完成各种需要GPU处理的科学计算。支持两颗150WXeon®E5-2600V3系列处理器和高达2133Mhz速度DDR4内存。

    支持36颗CPU核心,高达1.5TB内存。GisdomGW8000工作站配备8个x16PCI-E3.0插槽,支持双槽位GPU卡或图形卡,2根PCI-E3.0x8插槽,支持RAID卡/光纤卡/SAS卡扩充存储容量;1个PCI-3x4插槽。

    高性能计算应用要求高PCI-E数据速率,采用GisdomGW8000后,完全消除了瓶颈限制,集成24个热插拔硬盘仓位,支持SAS2/STAT32.5寸机械/SSD硬盘,可选硬件RAID卡后,支持各种RAID模式,最高传输速率2000MB/s,可以快速存储计算数据。

    如果本机24盘存储容量还不够,您可以在富裕的3个PCI-E插槽上安装HBA卡连接各种外置存盘盘阵如:光纤盘阵、SAS盘阵等。

    (3)正昱T400GPU服务器

    

    GisdomT400GPU工作站,是一个全功能的、可用于加速深度学习研究的平台。

    对比早期的多GPU训练成果显示,在关键深度学习测试中,GisdomT400GPU工作站由4个TITANXpGPU强力驱动,训练AlexNet模型约13个小时,而最好的单GPUPC也需要超过2天,单CPU系统更是需要超过1个月的时间才能完成。

    正昱深度学习工作站,一同伴您揭秘机器学习的终极逻辑,全景勾勒人工智能的商业未来

    

    

    相信我们的一腔热血不会让你失望

    你的关注、点赞及支持

责任编辑:李云峰

免责声明:凡注明来源本网的所有作品,均为本网合法拥有版权或有权使用的作品,欢迎转载,注明出处。非本网作品均来自互联网,转载目的在于传递更多信息,并不代表本网赞同其观点和对其真实性负责。如有疑问请致电:13439578023