黄教主讲满 140 分钟,GTC 三大发布震撼业界

By 超神经

场景描述:GTC(GPU Technology Conference)China 2019 于 12 月 16 日在苏州拉开帷幕。今天,NVIDIA  创始人兼首席执行官黄仁勋带来了长达 2 个多小时的主题演讲,宣布了多个新品的发布,全程干货满满。我们对其重点发布内容 TensorRT 7、DRIVE 以及 Isaac 等产品进行整理,一起感受本次 GTC 2019 的精彩。

关键词:GTC China 2019  黄仁勋  

NVIDIA GTC China 2019,于 12 月 16-19 日在苏州金鸡湖国际会议中心举办。

这个起源于 2009 年加州圣何塞的技术会议,最初的重点是通过 GPU 解决计算挑战的潜力,十年之后的今天,已经成为 AI 和深度学习领域的盛会,包括了近百场 AI 相关领域主题讲座。

作为 2019 年在美国本土之外的唯一一站 GTC,GTC China 2019 吸引了数千位业内人士前来参会。

今年大会议题横向覆盖了 AI 框架、开发工具、加速数据科学、云计算、实时渲染、光线追踪、5G 等方面,纵向也包含了自动驾驶、智能机器、医疗与金融、设计与工程制造等当下最热门的领域。

今天上午,NVIDIA 创始人兼首席执行官 Jensen Huang 黄仁勋先生带来了长达 2 个多小时的主题演讲,涉及 TensorRT 7、DRIVE、Isaac 等多个新品发布。

重磅一:TensorRT 7 正式发布

今天,NVIDIA 正式发布 TensorRT 7(简称 TRT 7),它支持各种类型的 RNN,Transformer,和 CNN。

TRT 7 正式发布

TRT 7  能够融合水平和垂直方向的运算,可以为开发者设计的大量 RNN 配置自动生成代码,逐点融合 LSTM 单元,甚至可以跨多个时间步长进行融合,并且尽可能做自动低精度推理。

相比于 TRT 5 只支持 30 种变化,TRT 7 能够支持 1000 多种不同的计算变换和优化。黄教主称,「TRT 7 是我们实现的最大飞跃。」

 TRT 7 强大功能:支持交互式会话 AI 

会话 AI 是 TensorRT 7 强大功能的典型代表。

AI 在语音和自然语言理解方面的突破使会话 AI 成为可能,但会话是交互式、应答式的,低延迟至关重要。

一套端到端的流程可能由二三十种模型组成,用到不同的模型结构,包括 CNN、RNN、transformer、自然编码、MLP。

模型的框架结构示意

使用 CPU 推理,这套流程下来,延迟是 3 秒。现在,使用 TRT 7 ,可以对所有模型进行编译,使其在 NVIDIA GPU 上运行,T4 GPU 上推理会话 AI 只需要 0.3 秒

重磅二:推出 NVIDIA DRIVE

DRIVE 是一个端到端平台,使运输工公司能够打造自动驾驶汽车。

黄老板介绍 NVIDIA DRIVE 

首先,它采用 AI 和 AV 的开发流程和基础框架。

其次,配备采用开放式完全可操作自动驾驶和智能座舱的计算机。

此外,还采用预先训练的优质 AI 模型,可由汽车制造商加以改进。

DRIVE AV 平台是软件定义的,而并非是固定功能的芯片。这样可能实现大量开发人员按照持续集成、持续交付的开发方式进行协作,研发投入也可以在一代代的产品中得到体现。

 在 NGC 上推出 NVIDIA DRIVE 预训练模型 

需要许多 AI 模型才能构成一个正常运行的安全自动驾驶技术,其算法具有多样性和冗余性。NVIDIA 则开发了最先进的感知模型,用于检测、分类、跟踪和轨迹预测。而且还可以用于感知、本地化、规划和制图。

这些预训练模型可以从 NGC 上注册下载。

 DRIVE 迁移学习 

NVIDIA 提供了一种迁移学习工具,可以进行再训练,并利用 TensorRT 进行再优化。

此外,还有一个用于联邦学习的系统,可供多个组织和公司在不移动或共享数据的情况下,进行合作。

NVIDIA 将预训练模型发给各个合作伙伴。各个合作伙伴在自己的数据上训练模型,并按照一致的标准进行标记。

合作伙伴只需要共享用于创建新模型的传中,然后在所有参与合作的伙伴之间共享新模型。

 NVIDIA DRIVE AGX ORIN :

由软件定义的 AV 平台

NVIDIA  DRIVE 适用于从 L2 到 L5 级别,这是一种构架,高性能和软件定义。

黄仁勋表示,Orin 是英伟达下一代机器人处理器 SOC,「是一次巨大飞跃」。Orin 的参数堪称卓越:

多达 170 亿个晶体管,8 个核心 64 位 CPU,200 TOPS(Tera Operations Per Second 的深度学习算力。

黄教主透露,Orin 计划于 2022 年开始投产

面向自动驾驶的新一代处理器 Orin

此外,他还表示,NVIDIA DRIVE 正在构建全球生态系统。

重磅三:NVIDIA Isaac 发布

除了自动驾驶客车,黄仁勋表示,NVIDIA 还致力于非结构化导航的机器人,即没有车道和标志,并且有更多的操作自由度。

可用于进行室内物流参考应用

Isaac,和 DRIVE 类似,是一个端到端的平台,它使世界上的机器人社区能够创建大规模的可操作机器人,包括开发基础设施,具有软件堆栈的机器人计算平台、完全可操作性的应用程序,以及可借力 NVIDIA 迁移学习和联邦学习工具的预训练模型。

与 AV 不同,机器人拥有更多的自由度。人工收集和标注的数据不可能用于训练感知和规划类型的 AI。「仿真对于机器人从无限可能的场景中学习十分重要。」

Isaac SDK 包括 Training-in-Sim 工作流,使用随机机域生成 6D 姿态图像,用于训练目标检测、像素分割、2D 姿态、3D 姿态。

在演讲的最后,黄仁勋还展示了一个机器人 DEMO:LEONARDO,机器人可以感知并操纵物体,进行摆放、整理,引得现场观众欢呼鼓掌。而这些功能,都是由其发布的 NVIDIA Issac 机器人 SDK 完成。

LEONARDO 将积木块堆成一个圆柱

以上就是 GTC China 2019 的重点发布内容,大家可以慢慢消化,超神经也将带大家持续关注本次大会,第一时间将最精彩的内容带给大家。

—— 完 ——

扫描二维码,加入 AI 讨论群

获得更多优质数据集

了解人工智能落地应用

关注顶会&论文

回复「读者」了解详情

更多精彩内容(点击图片阅读)

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值