GTC 2018

GTC 2018 没有新的消费级显卡发布,这个是一个令人失望的地方。对于有钱人来说,到不是问题。在硬件方面,Nvidia 基于V100的架构上,发布了内存加倍的Quadro GV100显卡,新的Telsa V100. DGX-2 世界上计算能力最强的显卡(2P flops, 512 GB HDM2, 399K$).

图片发自简书App
图片发自简书App

其他可圈可点的主要在软件上。

在医疗方面 Clara - Medical Imaging Supercomputer.

琢磨来琢磨去觉得是Nvidia 在DGX workstation 上的software stack, 为了给传统的医疗影像行业注入新的生命力。老黄用了一个超声设备为例子:

  • 传统的超声设备。也就是已经在医院里面部署的旧的设备。
  • 数据传输到Nvidia Clara医学影像工作站
  • 自动心内膜分割 (deep learning, semantic segmentation)
  • 射血分数计算(AutoEF)
  • 3D 心脏建模和3D绘制 (这个是如何搞得?2D 超声扫描到3D? 还是至少有双平面探头?老黄大概也不懂超声,没有讲明白。)

如果从software stack 来看的话,GPU server 提供硬件计算能力,GPU containers/VGPU 可以让GPU server 在云端scale up, 如果数据的传输不再是瓶颈的话。Cuda 提供通用的高性能计算能力,可以用于传统的医学影像算法。cudnn和tensorrt一起提供AI的推理能力(比如用于semantic segmentation 和建模)。 OpenGL 和RTX 用于3D rendering。 让超声这个传统的成像模式老树发新芽。最后这些能力体现在AutoEF 等等自动测量,和通过3D 帮助医生更好更快的做判断。老黄是想给医院已经大量部署的仪器加点AI的调料,为医生的日常工作提供价值(更快更好的诊断)。

感觉这种把数据采集和数据的处理分开的做法在商业上也可能是一个可行的模式:

  • 超声设备的开发硬件较多,开发周期比较长。重点是信噪比高,基础图像质量好。
  • GPU 工作站和软件发展迅速。通过把数据采集和处理分离,可以在软件端快速迭代。
  • 可以通过多个超声设备共享GPU 工作站降低成本。
  • 商业模式需要逐渐从硬件设备(超声仪器),转向软件和服务。通过GPU上的软件升级和功能开发套利。
  • 如果网络速度逐渐不是问题(比如5G的大量部署),GPU工作站可以放在云端,那么对公司而言,就是从云端提供服务的商业模式,前端超声设备可以非常便宜的推广到医院,甚至可以不用在超声设备上盈利。
  • 比较适合于不是传统设备商的startup, 所以你可以看到老黄这个项目里面有推想科技,以色列的Zebra Medical, 或者加州的Baylabs这些做医疗AI的初创企业/软件公司。
11Untitled.jpg
16Untitled.jpg
10Untitled.jpg
17Untitled.jpg

TensorRT 4.0

TensorRT3.0 说是支持 tensorflow, caffe 模型,其实仔细调研发现功能上还是有不少不完备的。希望TensorRT4.0能够搞定这些问题。目前TensorRT4.0还不能下载,介绍如下:

TensorRT 4 now provides capabilities to accelerate speech recognition, neural machine translation and recommender systems. The native ONNX parser in TensorRT 4 provides an easy path to import models from frameworks such as PyTorch, Caffe2, MxNet, CNTK and Chainer.

Highlights include:

  • 45x higher throughput vs. CPU with new layers for Multilayer Perceptrons (MLP) and Recurrent Neural Networks (RNN)
  • 50x faster inference performance on V100 vs. CPU-only for ONNX models imported with ONNX parser in TensorRT
  • Support for NVIDIA DRIVE™ Xavier - AI Computer for Autonomous Vehicles
  • 3x inference speedup for FP16 custom layers with APIs for running on Volta Tensor Cores

觉得特别有用的就是对ONNX的支持。也就是你可以随便用自己喜欢的语言做模型的训练,然后用TensorRT做模型的部署。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 211,194评论 6 490
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,058评论 2 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 156,780评论 0 346
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,388评论 1 283
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,430评论 5 384
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,764评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,907评论 3 406
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,679评论 0 266
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,122评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,459评论 2 325
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,605评论 1 340
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,270评论 4 329
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,867评论 3 312
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,734评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,961评论 1 265
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,297评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,472评论 2 348

推荐阅读更多精彩内容