|干货|直接见证NVIDIA GPU应用在各行各业大放异彩( 四 )

部署效果：
GPU作为底层平台，很好的起到了加速应用的作用，帮助深度学习的研发人员更快的训练出成熟的模型，其次，用户可以根据需求选择不同的平台，深度学习研发人员需要在算法、统计方面精益求精，都需要一个生态环境的支持， GPU已经构建了CUDA、cuDNN及DIGITS等工具，支持硬件兼容， GPU高性能解决方案让研发人员能够排除意外干扰，专注于深度学习的研究项目中。
案例2：国内某知名医院AI医疗算力平台建设，医院位于北京市昌平区，由高校与北京市共建共管的大型综合性公立医院，建设和运营过程中得到了台塑企业的无私捐助和援建。
背景：基于现代先进的医疗科研发展趋势，医院作为新型医院，对于病例、病因的数据处理需求很大。患者的医疗影像数据十分庞大，原有设备已无法满足大量的数据推理，模型训练，新型医院需要对患者肺部的切片医疗影像进行病理匹配、判断，减少医疗事故的发生。
需求痛点：
1.对于病例、病因的数据处理需求很大，很多数据没有及时的建立相应的数据库进行存放。
2.设备数量不足，无法满足庞大的医疗影像数据进行数据训练、数据推理与模型训练等。
3.无法对未知的病部切片进行推理分析，无法在影像中看到医生肉眼看不到的疾病发展征象。
解决方案：从底层硬件算力平台和上层软件管理平台的统一部署， 1节点IW2200-2G计算服务器， 1节点IW4200-8G计算服务器， 1节点IR2200推理服务器， 1节点管理服务器， 1节点存储服务器，加速计算卡为NVIDIAA40 ，计算网络采用万兆光纤组网，软件管理平台使用思腾合力SCM人工智能云平台软件。
部署效果：
AI与医疗的融合可以有效的解决资源不均衡的痛点， AI的强大在于可以通过大量的数据深度学习之后，能够预测和看到人类肉眼看不到的东西，比如通过影像切片预测病变的发生。通过AI经过上千病例的训练，能在影像中看到医生肉眼看不到的疾病发展征象，从而给出医生更精准的判断提示，算力平台的建设可加快AI模型的训练与推理。
案例3：北京某知名AI科技公司智能视觉处理平台建设，公司位于北京市海淀区，是一家以图像处理与智能视觉为核心的AI技术服务提供商。
背景：公司是以图像处理与智能视觉为核心的AI技术服务提供商，聚焦活体采集、人脸识别、人形检索等应用，以高性能图像处理和视频结构化技术为基础，整合人、物识别与追迹以及场景感知，需要GPU集群加速数据处理过程。
需求痛点：
1.人脸识别、人脸比对云服务的算法训练周期太长，影响客户体验的同时，丢失了部分商业市场。
2人形检索与人物追迹、车牌识别等算法精确度不足，时长出现识别错误的信息。
3高性能图像处理和视频结构化技术在实际的应用场景中，对项目落地的要求太高，端到端的AI算法训练难以开展。
解决方案：从底层硬件算力平台和上层软件管理平台的统一部署， 1节点思腾合力IR2200管理服务器， 2节点思腾合力IW4200-8G计算服务器， 1节点思腾合力IS4200-24存储服务器，加速计算卡为NVIDIAA40 ，计算网络采用56G Mellanox IB组网与千兆以太网管理，软件管理平台使用思腾合力SCM人工智能云平台软件。
部署效果：
通过思腾合力搭建的GPU集群环境，配套云平台软件，可实现端到端的AI算法训练，加速了人脸识别、人脸比对云服务、人形检索与人物追迹、车牌识别等算法的落地。
NVIDIA GPU应用在实际的项目中需要多重因素协调配合，对于一些非计算机专业人员，基础设施的开发、搭建、调试往往要耗费数月时间，期间透明性低，测试频繁，效率低下，严重限制人工智能技术在行业中的应用，比如Tensorflow、Caffe等众多的计算框架以及CNN、RNN等复杂的网络模型，即便是资深工程师也需要花费大量的时间成本学习和应用，主流计算框架采用CPU+GPU的异构计算平台，其管理和调度融合了高性能计算、大数据和云计算等多领域技术，实现难度较大，诸如思腾合力这类解决方案提供者，可以帮助大家完成从基础设施到云管理平台的构建，通过其研发的SCM人工智能云平台软件，面向大规模异构计算基础设施管理，解决上述问题。