NVIDIA下代Pascal GPU架构提升深度学习速度

    在4月15日，NVDIA（英伟达）在北京举行了“视觉计算 无处不在”的媒体分享会，在此次会议上，NVDIA向媒体介绍了NVDIA在深度学习技术上的成就。

       深度学习指的是计算机使用神经网络自主学习的过程，在人工智能领域快速成长的深度学习技术是一项创新的计算引擎，可应用在从先进医药研究到全自动驾驶汽车的多元领域。

       TITAN X 是NVDIA全新推出的旗舰级游戏显卡，但也特别适合用于深度学习。

       在 TITAN X 上能以 4K 的超高画质呈现最新 AAA 游戏大作的瑰丽画面，可以在开启 FXAA 高设定值的情况下，以每秒40帧（40fps）运行《中土世界：暗影魔多》（Middle-earth: Shadow of Mordor）游戏，而在九月发行的 GeForce GTX 980 上则是以 30fps 来运行。

       采用 NVIDIA Maxwell GPU 架构的 TITAN X，结合 3,072 个处理核心、单精度峰值性能为 7 teraflops，加上板载的 12GB 显存，在性能和性能功耗比方面皆是前代产品的两倍。

       凭借强大的处理能力和 336.5GB/s 的带宽，让它能处理用于训练深度神经网络的数百万的数据。例如， TITAN X 在工业标准模型 AlexNet 上，花了不到三天的时间、使用 120万个 ImageNet 图像数据集去训练模型，而使用16核心的 CPU 得花上四十多天。

       现已上市的GeForce GTX TITAN X 售价为 7999元人民币。

       NVDIA预计于明年推出的 Pascal 架构 GPU 将使深度学习应用中的计算速度加快十倍。

       Pascal 架构 GPU 的三大设计特色将大幅加快训练速度，精准地训练更丰富的深度神经网络，犹如人类大脑皮层的资料结构将成为深度学习研究的基础。

       再加上 32GB 的显存（是NVIDIA 新发布的旗舰级产品 GeForce GTX TITAN X 的 2.7 倍），Pascal 架构可进行混合精度的计算任务。它将配备 3D 堆叠显存，提升深度学习应用程序的速度性能多达5倍；另搭配 NVIDIA 的高速互连技术 NVLink 来连接两个以上的 GPU，可将深度学习的速度提升达十倍。

混合精度计算 – 达到更精准的结果

       混合精度计算让采用 Pascal 架构的 GPU 能够在 16 位浮点精度下拥有两倍于 32 位浮点精度下的速率的计算速度。

       更出色的浮点计算性能特别提高了深度学习两大关键活动：分类和卷积的性能，同时又达到所需的精准度。

3D 堆叠显存 – 更快的传输速度和优秀的省电表现

       显存带宽限制了数据向 GPU 传输的速度。采用 3D 堆叠显存将可提高比 Maxwell 架构高出三倍的带宽和近三倍的容量，让开发人员能建立更大的神经网络，大大提升深度学习训练中带宽密集型部分的速度。

       Pascal 采用显存芯片逐个堆叠的技术，位置接近 GPU 而不是处理器板更往下的地方。如此就能把输出在显存与 GPU 间往返的距离从几英寸减缩到几毫米，大幅加快传输速度和拥有更好的省电表现。

NVLink – 更快的数据移动速度

       Pascal 架构加入 NVLink 技术将使得 GPU 与 CPU 之间数据传输的速度，较现有的 PCI-Express 标准加快5到12倍，对于深度学习这些需要更高 GPU 间传递速度的应用程序来说是一大福音。

       NVLink 可将系统里的 GPU 数量增加一倍，以共同用于深度学习计算任务上；还能以新的方式连接 CPU 与 GPU，在服务器设计方面提供较 PCI-E 更出色的灵活性和省电表现。

DIGITS：通往最佳深度神经网络的便捷之路

       使用深度神经网络来训练电脑教自己如何分类和识别物体，是一件繁重又费时的事情。

       DIGITS 深度学习 GPU 训练系统软件自始至终都将为用户提供所需数据，帮助用户建立最优的深度神经网络，改变上述的局面。

       DIGITS 可在安装、配置和训练深度神经网络过程中为用户提供指导 – 处理复杂的工作好让科学家能专心在研究活动和结果上。

       得益于其直观的用户界面和强大的工作流程管理能力，不论是在本地系统还是在网络上使用 DIGITS，准备和加载训练数据集都相当简单。

       这是同类系统中首个提供实时监控和可视化功能的系统，用户可以对工作进行微调。它还支持 GPU 加速版本 Caffe，目前，这一框架在众多数据科学家和研究人员中都得到了广泛使用，用于构建神经网络。■