你好,游客 登录
背景:
阅读新闻

深度学习一体机

[日期:2019-07-26] 来源:http://www.cstor.cn  作者: [字体: ]

背景

 

  深度学习已经成为人工智能时代的入口,国内外行业巨头纷纷在语音识别、图像识别、自然语言处理等领域拓展深度学习版图,代表性的有谷歌的深度学习框架TensorFlow,Facebook的人工智能计算服务器Big Sur,越来越“聪明”的IBM人工智能Watson,微软的“深度残差学习”,科大讯飞的语音识别云等。

  简单地说,深度学习通过构建深层神经网络,模拟人类大脑的工作原理。如图所示,深层神经网络由一个输入层,数个隐层,以及一个输出层构成。每层有若干个神经元,每个神经元模拟人类的神经细胞,而结点之间的连接模拟神经细胞之间的连接。

  可以将深度学习理解为大脑的“构建”,虽然潜力大,但是门槛不可谓不高。

  首先,深度学习网络模型复杂,计算量大。以DNN(深度神经网络)为例,它需要模拟人脑的计算能力,而人脑包含100多亿个神经细胞,这要求DNN中神经元多,神经元间连接数量也相当惊人,如此庞大的计算量需要高性能的硬件以及与之配套的软件系统提供支撑。

  其次,DNN需要大量数据才能训练出高准确率的模型。为了达到理想的学习效果,DNN需要利用海量训练数据,进行反复多次实验,从而选择合理的选择优化方式,训练出高准确率的模型。因此,深度学习对训练数据提出了较高要求。

  再者,对于不少深度学习研究者而言,部署困难成为了一个大问题。很多时候,即使购入了高精尖的深度学习设备,但由于难以部署,高价买回的设备只能搁置。

  因此,深度学习成为一个效果很好但门槛很高的方向,如何落地产生实际应用效果成为关注的焦点。对此,厚积薄发的云创大数据打造了全新的深度学习软硬件平台,正式发布DeepRack深度学习一体机,切实帮助解决深度学习应用中遇到的障碍与困境。


产品简介

  DeepRack深度学习一体机是南京云创大数据科技股份有限公司自主研发的深度学习软硬件平台,包含24U半高机柜,很多可配置4台4U高性能服务器;每台服务器CPU选用英特尔E5-2600系列至强处理器;每台服务器最多可插入4块英伟达GPU卡;可选配NVIDIA TITAN X, Tesla P100等各档次英伟达GPU卡;部署有TensorFlow、Caffe等主流的深度学习开源工具软件,并提供大量免费图片数据。根据操作手册用户可快速搭建属于自己的深度学习应用,从而提高了工作效率。DeepRack深度学习一体机具有高性价比、高计算性能、高可靠性等特性,能够为用户提供快速、便捷、可靠的深度学习计算服务。







产品特性

  使用DeepRack深度学习一体机解决方案,用户可快速搭建属于自己的深度学习应用。

 


灵活的高性能硬件配置

  DeepRack深度学习一体机包含24U半高机柜,很多可配置4台4U高性能服务器;每台服务器CPU选用英特尔E5-2600系列至强处理器;每台服务器最多可插入4块英伟达GPU卡;可选配NVIDIA TITAN X,Tesla P100各档次英伟达GPU卡,以满足不同深度学习应用的需求。DeepRack深度学习一体机为用户提供最大每秒144万亿次的单精度计算能力,满配时相当于160台服务器的计算能力,使您的深度学习产品在计算效率上具有高竞争力;另外,充分考虑了7*24小时大规模运算的需要,一体机内部采用专业的散热、能耗设计。


集成知名的深度学习软件系统

  DeepRack深度学习一体机预装CentOS操作系统,集成了两套位于行业前沿开源工具软件——Google的TensorFlow以及伯克利大学的Caffe,以帮助学习诸如图像识别、语音识别和语言翻译等任务。


提供基础训练数据

  DeepRack深度学习一体机提供了MNIST、CIFAR-10、ImageNet等图像数据集,以满足实验与模型塑造过程中的训练数据需求。


即买即用,周到服务

  DeepRack深度学习一体机预装CentOS操作系统,安装配置了TensorFlow、Caffe等主流深度学习开源工具软件,并免费提供大量的可训练数据,用户根据操作手册,可快速搭建属于自己的深度学习应用。为了克服学习障碍,云创大数据向用户提供周到的免费培训,帮您带出一个能够应用深度学习的团队来。


规格参数


  经过选配组合,目前DeepRack深度学习一体机具有以下两种规格:标准型与增强型。

 

  对于门槛高、部署难的深度学习而言,DeepRack深度学习一体机通过搭配的软硬件设施,配套海量的可操作数据,手把手教会用户使用,是难得的深度学习工具。

收藏 推荐 打印 | 录入:admin | 阅读:
本文评论   查看全部评论 (0)
表情: 表情 姓名: 字数
点评:
       
评论声明
  • 尊重网上道德,遵守中华人民共和国的各项有关法律法规
  • 承担一切因您的行为而直接或间接导致的民事或刑事法律责任
  • 本站管理人员有权保留或删除其管辖留言中的任意内容
  • 本站有权在网站内转载或引用您的评论
  • 参与本评论即表明您已经阅读并接受上述条款