首页 > 解决方案 > 深度学习

 
深度学习

1. 需求分析


 深度学习(Deep Learning)可以完成需要高度抽象特征的人工智能任务,如语音识别、图像识别和检索、自然语言理解等。深度学习采用的模型为深层神经网络(Deep Neural NetworksDNN)模型,即包含多个隐藏层(Hidden Layer,也称隐含层)的神经网络(Neural NetworksNN)。深度学习利用模型中的隐藏层,通过特征组合的方式,逐层将原始输入转化为浅层特征,中层特征,高层特征直至最终的任务目标。


                                  一种典型的深层神经网络模型


 深层模型参数多,计算量大,训练数据的规模也更大,需要消耗很多计算资源。利用GPU来训练深度神经网络,可以充分发挥其数以千计计算核心的高效并行计算能力,在使用海量训练数据的场景下,所耗费的时间大幅缩短,占用的服务器也更少。如果对深度神经网络进行合理优化,一块GPU卡可相当于数十甚至上百台CPU服务器的计算能力,因此GPU已经成为业界在深度学习模型训练方面的首选解决方案。



2. 解决方案


 由于深度学习训练主要依靠GPU的单精度计算能力,方案建议采用支持8GPU计算卡的竞博首页R80。深度学习训练过程中会有大量小文件频繁读写,因此,服务器需要配置SSD固态硬盘,提升小文件读写速度。




3. 方案优势


 方案采用了支持8GPU计算卡的竞博首页R80,配置了8NVIDIA TITAN V,单精度计算能力120Teraflops,服务器还配置了1TB SSD固态硬盘,提升小文件读写速度。方案还集成了CaffeCaffe2TensorFlow等深度学习框架,CUDA开发环境,MPI并行计算环境,cuBlascuFFTcuSparsecuDNN等函数库,以及gccg77gfortranIntel Fortran等各种编译环境,真正做到了交钥匙工程,用户开箱即用。


联系方式      条款和条件      隐私声明      
电话:4001-863-973 版权所有 © 上海竞博首页信息技术有限公司 沪ICP备15020139号
在线咨询 QQ咨询