AI 和 HPC 容器
借助 NVIDIA NGC™ 目录中的 GPU 优化容器,更快地开发和部署应用。
什么是容器?
容器是一种便携式软件单元,可将应用及其所有依赖项合并为一个软件包,该软件包不受底层主机操作系统限制。这样无需再构建复杂的环境,并简化了应用开发到部署的过程。
NVIDIA NGC 目录包含一系列用于深度学习、机器学习、可视化和高性能计算 (HPC) 应用的 GPU 优化容器,这些容器均已经过了性能、安全性和可扩展性测试。
浏览 NGC 容器NGC 目录中的容器的优势
轻松部署
内置库和依赖项可让您轻松部署和运行应用。
加快训练速度
TensorFlow 和 PyTorch 等 NVIDIA AI 容器每月会提供针对性能优化的更新版本,以便加快 AI 训练和推理速度。
运行位置不受限制
在 bare metal、虚拟机 (VM) 和 Kubernetes 上,将容器部署在任意位置(云端、内部私有云和边缘)的多 GPU/多节点系统上。
放心部署
容器经过常见漏洞和暴露 (CVE) 扫描(附有安全报告),并通过 NVIDIA AI Enterprise 得到了可选的企业支持。
性能优化
NVIDIA 构建的 docker 容器每月都会更新,第三方软件也会定期更新,以提供所需的功能,便于您从现有基础架构中获得出色性能,并缩短找出解决方案的时间。
借助 BERT-Large 进行自然语言处理
BERT-Large 利用 Volta V100 和 Ampere A100 GPU 上的混合精度运算和 Tensor Core,在保持目标准确性的同时缩短训练时间。
在单节点的 8x V100 (16GB) 和 A100 (40GB) 上使用 TensorFlow 时,BERT-Large 和训练的性能表现。混合精度。BERT 的批量大小:3 (V100)、24 (A100)
用于图像处理的 ResNet50 v1.5
此模型使用 Volta、Turing 和 NVIDIA Ampere GPU 体系架构上的 Tensor Core 进行混合精度训练,以加快训练速度。
在单节点 8x V100 (16GB) 和 A100 (40GB) 上使用 TensorFlow 时,ResNet 50 的性能表现。混合精度。ResNet50 批量大小:26
用于深度学习的 Matlab
持续开发 Matlab 深度学习容器可提高训练和推理性能
Windows 10,Intel Xeon E5-2623 @2.4GHz,NVIDIA Titan V 12GB GPU
AI 容器
应用框架
NVIDIA Clara
用于医疗成像的 NVIDIA Clara™ Train 是一个应用框架,包含超过 20 个先进的预训练模型、迁移学习和联合学习工具、AutoML,以及 AI 辅助的标记数据。
探索容器HPC 容器
常见问题解答
- 各种不同的容器涵盖了丰富的用例,并且内置库和依赖项,可轻松编译自定义应用。
- 这些容器可以通过自动混合精度 (AMP) 并尽可能少的改动代码来加快训练速度。
- 能够从单节点扩展到多节点系统,从而缩短找出解决方案的时间。
- 非常便携,让您可以在云端、本地或边缘运行容器,加快了开发速度。
机器学习工程师和 IT 人员能够将 NGC 目录中的容器无缝部署到生产环境中。
- 这些容器在各种平台和架构上进行了测试,可在各种系统和平台上实现无缝部署。
- 可以部署为在 bare metal、虚拟机 (VM)、Kubernetes 上运行,包括 x86、ARM 和 IBM Power 等各种架构。
- 可以轻松地在各种容器运行时(如 Docker、Singularity、cri-o 和 containerd)上运行。
- 容器图像经过常见漏洞和暴露 (CVE) 扫描,具有可选的企业支持以排查 NVIDIA 软件的问题。
NGC 目录资源
开发者博客
查看这些分步说明,了解如何使用 NGC 目录。
开发者新闻
阅读 NGC 目录最近的更新和公告。
GTC 会议
点播观看所有热门 NGC 会议。
网络会议
观看这些视频教程,了解如何使用 NGC 目录。