英伟达推出高性能Jetson TX2,加快深度学习在终端设备上的布局

简介:

人工智能和机器学习越来越受到用户的关注,AI的应用与逐步走入大众的视野当中。提到人工智能和机器学习,用户的第一反应就是需要强大的计算平台进行支撑,在很多厂商推出的解决方案中,计算部分也大都放在后端进行。不过,英伟达认为,只有前端强大的计算能力的人工智能解决方案,才能真正推动机器学习的发展,给人们带来真正的便利。为此,英伟达推出了Jetson 计算平台。

继Jetson TX1之后,英伟达再次发力,推出了性能更加强大的Jetson TX2。近期,在英伟达北京新总部举行的Jetson TX2 Editor's Day 活动中,英伟达向媒体展示了新一代 Jetson 计算平台的强大计算能力。

英伟达中国区高级市场总监刘念宁表示,在人工智能与深度学习方面,未来不管什么样的应用场景,其前后端都将应该包含人工智能,这就是我们重视中国市场的原因。

英伟达中国区高级技术经理李铭向参加活动的媒体详细的介绍了Jetson TX2的相关技术参数。据介绍,TX2延续了TX1的小体积、高度集成的特性,在只有信用卡大小的尺寸上整合了4 核 ARM A57 CPU、Pascal 架构 GPU(16 纳米工艺)、最高 8G 内存、32G 固态存储器等组件。该设备的标准功耗为7.5W,小于 Maxwell 架构的前一代产品。李铭表示,算法、数据规模和运算能力构成了人工智能的三要素,TX2强大的计算性能能够有力的促进深度学习终端化设备的发展。

李铭表示,Jetson TX2 芯片将会应用于更多的场景,包括城市安保、智能无人机、海洋观测、智能农业、工业和商用机器人等领域有着广阔的前景。在嵌入式设备的计算芯片上,他们拥有无与伦比的优势。他表示,Jetson TX2 能够通过提高功耗的方式带来更多性能的提升,如果把功率提高到15W,将达到 TX1 两倍的计算能力。李铭表示,TX1和TX2都具备自动调频能力,可以控制CPU核心、GPU核心和内存频率,把几个电压、电频控制在一个比较合适的水平。在处理一些比较重的任务时,比如跑deep learning, 密集目标选取时,可以自动电压调高,以达到最优性能。当然,如无人机飞在空中只做简单导航时,能够自动将频率调低,以达到续航的目标。

在活动现场,英伟达还请到了两位合作伙伴,与媒体共同分享了采用Jetson 解决方案的相关产品和其优势。海康威视研究院高性能计算部总监王鹏表示,英伟达从Kepler 架构发展到Maxwell,再到现在的Pascal 架构,4 年时间将GPU 的推理性能提升了26 倍。Jetson TX2 的推出以及其带来的高性能,将更有具于我们在各个终端设备上展开更多的开发,为用户带来更多更好的人眼识别和人工智能解决方案。

北京猎户星空科技有限公司VP蒋超表示,机器人视觉是一个延迟敏感的问题,最好的解决方式就是在本地进行计算处理。Jetson TX2 拥有强大的计算能力,在处理720p 彩色图像时的每秒帧数可达100 帧以上,这意味着我们可以在TX1 的基础上进一步引入感知工具,让终端设备拥有语义理解等新能力。他表示,Jetson TX2 真正解决了 SLAM(Simultaneous Localization and Mapping,即时定位与地图构建)的计算需求。

除了高性能,低功耗等优势外,英伟达还提供了完整的开发套件(Jetpack SDK)和教程,让用户可以迅速构建属于自己的平台投入生产。

2015 年底,英伟达Jetson TX1 嵌入式计算平台是2015年底正式推出的, Jetson 凭借小尺寸、高效率的特点逐渐吸引了大量用户,应用场景也从无人机、机器人扩展到了智能电话设备、摄像头等新领域。随着用户对性能要求的不断提高,英伟达发布了新一代嵌入式计算平台 Jetson TX2,将其人工智能终端计算解决方案 Jetson 系列也带入 Pascal 架构时代。据李铭介绍,TX2和TX1采用了相同的针脚设计,用户可以直接从TX1升级到TX2,而不需要进行其它相关的研发和改进,非常方便。

3月底,英伟达中国将总部迁入了位于财富金融中心的新址,使用面积扩展了超过一倍。这也是笔者首次进行英伟达的办公室,由于当天天气条件不错,站在英伟达新的办公室中,几乎可以俯瞰整个北京城。据介绍,目前英伟达正在不断招募人才,扩充其深度学习工程师团队。英伟达把 Jetson 形容为一款开放式计算平台,无论企业、初创公司、研究人员或高中生,任何人都能使用并借助它为终端应用开发全新的人工智能解决方案。


本文作者:ZC

来源:51CTO

相关文章
|
机器学习/深度学习 人工智能 Cloud Native
高性能深度学习推理平台 OpenPPL 正式开源!
高性能深度学习推理平台 OpenPPL 正式开源!
2021 0
|
机器学习/深度学习 Web App开发 分布式计算
继Spark之后,UC Berkeley 推出新一代高性能深度学习引擎——Ray(1)
继Spark之后,UC Berkeley 推出新一代高性能深度学习引擎——Ray(1)
327 0
继Spark之后,UC Berkeley 推出新一代高性能深度学习引擎——Ray(1)
|
存储 Web App开发 机器学习/深度学习
继Spark之后,UC Berkeley 推出新一代高性能深度学习引擎——Ray(2)
继Spark之后,UC Berkeley 推出新一代高性能深度学习引擎——Ray(2)
280 0
继Spark之后,UC Berkeley 推出新一代高性能深度学习引擎——Ray(2)
|
机器学习/深度学习 人工智能 算法
英伟达工程师解读NeurIPS 2019最热趋势:贝叶斯深度学习、图神经网络、凸优化
2019年人工智能研究什么最热?从今年最大型的AI顶会NeurIPS可以发现几大趋势:科学家们开始探索深度学习背后的理论和原理,贝叶斯深度学习、图神经网络和凸优化等深度学习新方法成为最热趋势。
256 0
英伟达工程师解读NeurIPS 2019最热趋势:贝叶斯深度学习、图神经网络、凸优化
|
机器学习/深度学习 测试技术
震撼!英伟达用深度学习做图像修复,毫无ps痕迹
英伟达的研究人员发布了一种可以编辑图像或重建已损坏图像的深度学习方法,实现了一键P图,而且“毫无ps痕迹”。通过使用“部分卷积”层,该方法优于其他方法。
4483 0
|
机器学习/深度学习 TensorFlow 算法框架/工具
高性能深度学习支持引擎实战——TensorRT
随着传统的高性能计算和新兴的深度学习在百度、京东等大型的互联网企业的普及发展,作为训练和推理载体的GPU也被越来越多的使用。NVDIA本着让大家能更好地利用GPU,使其在做深度学习训练的时候达到更好的效果的目标,推出了支持高性能深度学习支持引擎——TensorRT。
28679 0
|
机器学习/深度学习 TensorFlow 算法框架/工具
【深度学习框架实战】借助阿里云打造一键构建高性能Tensorflow服务
作为目前最为流行的机器学习和深度学习框架,TensorFlow因为支持跨平台计算、架构灵活、可扩展性高等特点而广受机器学习开发者的欢迎;然而Tensorflow在具体应用过程中也存在诸多挑战,如分布式性能差,分布式部署困难,需要很多配置和控制启动顺序等, 为了解决该问题,阿里云推出了高性能Tensorflow服务,针对云计算虚拟化环境对分布式Tensorflow做了深度性能优化,支持基于GPU云服务器和Docker容器服务,一键部署高性能Tensorflow分布式训练。
2973 0
|
机器学习/深度学习 并行计算 算法