Su_wenfeng的博客

21世纪计算机最大挑战—深度学习、人工智能，它帮助更多领域的应用研究获取质的进展，计算机视觉、语音识别、自动机器翻译、自动驾驶汽车、药物发现、生物信息、医学诊断、视频游戏、围棋、智能电网…不怕千招会，就怕一招绝，对于科研人员一旦通过深度学习技术在某一个应用领域有所成就，就会获取最大的机会。西安坤隆计算机公司2008年进入工作站领域，专注于计算应用的最快计算硬件架构，针对深度学习GPU超算的不同环境、不同计算规模等等，提供更专业匹配、与时俱进的计算设备：图灵超算工作站（台式）图灵超算服务器（机架

UltraLAB GX650M -T1/T2是一款内置双Xeon3代处理器（高频+16通道）+8块nvidia A6000 48GB的静音超算工作站，无论是数据预处理还是神经元计算，还是海量数据，都能在每个环节的计算性能表现，更均衡、完美，强大算力发挥到极致。

本方案中，推荐配置报价更新日期：2021/03/06变更原因：1）近期唯利是图的厂家将RTX显卡大部分卖给挖矿的，造成断货、暴涨2）RTX A6000上市、增加新GPU配置方案3）GX630M保证6块GPU卡全部在Pcie 16X（6个 16x）带宽，而不是市场其他品牌机型是4个16x+2个8xnvidia的 Ampere架构-RTX 3090上市，该卡是第一个拥有超1万个流处理器的最强算力GPU卡，由于该卡外形尺寸巨大，长度达313mm，厚度3个槽，另外功耗到350w，常规GP..

人工智能随着核心算法、计算能力的迅速提升，以及海量联网数据的支持，在本世纪终于迎来了质的飞跃，人工智能将是未来应用最广泛的技术之一，在市场经济领域带来更多的机遇与机会，在医学领域可以大大加快诊断速度和准确性，在军事领域人工智能武器将成为未来武器的王牌……（一）了解深度学习算法深度学习两个主要过程：训练（Training）和推理（Inference）。其中：训练（Training）是将大量数据加载...

如今，深度学习应用越来广泛、深入，例如安防：人脸识别、指纹识别...汽车驾驶：自动无人驾驶 ...翻译 语音识别、机器翻译...医学：医疗图像诊断...金融：量化策略交易...逻辑分析：围棋AI、游戏AI...随着计算规模巨大，一个合理、高效率、高性能GPU硬件配置架构服务器，变得至关重要目前主流硬件配置 intel处理器+ nvidia GPU计算卡，但进入201...

深度学习服务器工作站恐怕最纠结的就是GPU的选择，下面我整理出目前NVIDIA GPU的技术参数：深度学习需要用到GPU的参数有：1，单精度---深度学习只需要单精度，昂贵的双精度卡适合科学计算2，CUDA处理器---越多越好，无需解释3，张量处理单元（Tensor Core）---也是越多越好所以，最新GeForce RTX 2080Ti\GeForce RTX 2080...

引子市场上用于深度学习训练计算机大致情况如下：（1）服务器/工作站（支持2、4、8块GPU架构）：普遍存在噪音大，无法放置于办公环境，必须放到专门的机房，维护成本高，另外数据存储带宽、延迟、容量也不尽如意。（2）分布式集群架构：性能强大，但是开发成本太高（太贵），是大多数科研单位及个人无法承受。（3）组装电脑：这类特点是价格便宜，但是在散热和功率方面依然是普通家用/游戏电脑标准，稳定性巨差。（4）...

最近在ultralab GX480i测试了一下CentOS7 Deep Learning TensorFlow，其中也是踩坑无数，今整理安装过程发出来，希望大家安装的时候可以参考一下，不用浪费太多的时间在安装配置上，而是把有限的时间用到代码上一，安装显卡驱动网上搜索的驱动安装大都是手动编译安装，既：安装编译环境--到官网下载驱动文件*.run--blacklist nouveau，#blackli...

（一）为什么要有异构超级计算机      目前并行计算已渐成主流，尽管CPU以通用性高仍然为主要计算手段，但由深度学习、无人车驾驶、分子模拟计算等，以GPU计算为主的应用也越来越广泛。两个计算架构各有独自优势，计算速度呈现几何级提升。随着很多科学计算、仿真计算的算法不断完善，单纯依靠单一CPU或者GPU的强大，效率仍然无法提高。如果配备一台拥有CPU+GPU混合计算能力的超算系统，那么求解就会更快...

由于目前很多TensorFlow初学者在安装时候遇见各种坑，下面亲测很顺利通过，希望对大家有帮助。一.安装ubuntu本次使用16.04.4，u盘做好安装盘，需要注意一些机器在安装界面跳出的时候需按“E”，选择语言，然后F6选择“nomodeset”,然后“install ubuntu”。安装完成后更新，先更换ubuntut的源，这样在以后安装的过程可以节省很多时间！终端输入cd /etc/apt...