Skip to main content

Jetson AGX Xavier Modülü Satışa Çıktı – Otonom Makineler İçin Büyük Bir Atılım

Jetson AGX Xavier modülü artık global olarak distribütörlerden temin edilebilir halde, Jetson TX2 ve TX1 ürün ailesine katılıyor.

Geliştiriciler, dünyanın en zorlu görevlerini çözecek ve imalat, lojistik, perakende, tarım, akıllı şehirler, sağlık hizmetleri ve daha fazlası dahil olmak üzere çok çeşitli endüstrileri dönüştürecek otonom makineler üretmek için Jetson AGX Xavier’i kullanabilir.

NVIDIA Jetson AGX Xavier modülü, küçük bir 100x87mm form faktöründe 32 TOPS’ye kadar yüksek hesaplama ve 750 Gbps yüksek hızlı I/O sunar. Bu, geliştiricilere 20 kattan daha fazla performans ve NVIDIA Jetson TX2’nin 10 katı kadar enerji verimliliğini sağlar.

Devamını Oku

Yapay Zeka, Araçların Gelecekteki Yerini Tahmin Edebiliyor

Honda, Michigan Üniversitesi ve Indiana Üniversitesi’nden araştırmacılar, yol kavşaklarındaki araçların izlerini tahmin edebilen bir derin öğrenme sistemi geliştirdiler.

Araştırmacılar, makalelerinde “Güvenli sürüş için, sadece yakındaki nesneleri doğru bir şekilde tanımlamak ve bulmak değil, aynı zamanda gelecekteki yerlerini ve eylemlerini de öngörerek çarpışmaları önlemek için yeterli zamanın olmasını gerek.” diyor. Ekip, “Çalışmamız, gelecekteki araç konumlandırmanın egosantrik görünüm ve kavşaklar gibi zorlayıcı senaryolara meydan okuyan sorunlarını ele alan ilk çalışmadır.” dedi.

Devamını Oku

NVIDIA DGX-2 Hava Tahminini Hızlandırıyor

Günümüzde hava durumu ajansları ve rüzgar çiftlikleri, hava alanları, lojistik merkezleri, denizcilik operasyonları ve diğer birçok kuruluş, çoklu düğümlerde karmaşık bilgi işlem kümeleri üzerinde özelleştirilmiş hava durumu tahminleri yürütmektedir.

Bu yaklaşımdaki sorun, kümelenmelerin çoklu işletim sistemleri, paylaşılan dosya sistemleri ve karmaşık yönetim işlemleri gibi bir dizi zorlukla karşılaşmasıdır.

Meteoroloji ve İklimtoloji, İsviçre Meteoroloji ve İklimbilim Dairesi’nden araştırmacılar ve MeteoSwiss, hava tahminlerini daha erişilebilir hale getirmeye yardımcı olmak için, tek bir NVIDIA DGX-2 süper bilgisayarı üzerinde çalışabilecek ve bir kümeyle aynı performansı elde edebilecek bir hava durumu tahmin modeli geliştirdiler.

COSMO adlı algoritma, bir DGX-2 üzerinde 287 milyon şebeke hücresiyle MeteoSwiss’ten 1000 etki alanı veri kümesi çalıştırıyor.

Yukarıdaki görselleştirme, en son Turing GPU’larından yararlanmak için OptiX kullanan ışın izleme yetenekleriyle yakın zamanda geliştirilmiş olan ParaView adlı açık kaynaklı görselleştirme aracını kullanmaktır. Akış görselleştirme, yüksek basınç ve düşük basınç alanları arasındaki rüzgarı gösterir.

Supercomputing 18‘e katılanlar, NVIDIA standında simülasyonun canlı interaktif bir tanıtımını görebilirler.

Kaynak: Nvidia Developer News Center

SONY, NVIDIA V100 Tensor Core GPU’ları ile ResNet-50 Eğitim Rekorunu Kırdı

Kasım 13, 2018

SONY araştırmacıları ImageNet/ResNet-50 eğitimini 2100 tane NVIDIA Tesla V100 Tensor Core GPU’ları ile sadece 224 saniyede (3 dakika 44 saniye) %75 doğruluk tamamladıklarını duyurdu. Bu başarım, yayınlanmış en hızlı ResNet-50 eğitim süresi anlamına geliyor.

Takım, aynı zamanda 1088 adet NVIDIA Tesla V100 Tensor Core GPU’ları ile %90’ın üzerinde GPU ölçekleme verimi elde etmeyi başardı.

ImageNet/ResNet-50 eğitiminde GPU ölçekleme verimi

İşlemci Ara Bağlantı GPU ölçekleme verimi
Goyal ve diğ. [1] Tesla P100 x256 50Gbit Ethernet ∼90%
Akiba ve diğ. [5] Tesla P100 x1024 Infiniband FDR 80%
Jia ve diğ. [6] Tesla P40 x2048 100Gbit Ethernet 87.90%
Bu çalışma Tesla V100 x1088 Infiniband EDR x2 91.62%

ImageNet/ResNet-50 ile eğitim süresi ve en iyi doğrulama doğruluğu SONY takımı makalesinde “Derin öğrenmede artış için veri seti boyutu ve derin sinir ağı (DNN) modeliyle birlikte, modeli eğitmek için gereken zaman da artıyor.” yazdı.

Paket büyüklüğü İşlemci DL Kütüphanesi Süre Doğruluk
He ve diğ. 256 Tesla P100 x8 Caffe 29 saat 75.30%
Goyal ve diğ. 8K Tesla P100 x256 Caffe2 1 saat 76.30%
Smith ve diğ. 8K→16K full TPU Pod TensorFlow 30 dk 76.10%
Akiba ve diğ. 32K Tesla P100 x1024 Chainer 15 dk 74.90%
Jia ve diğ. 64K Tesla P40 x2048 TensorFlow 6.6 dk 75.80%
Bu çalışma 34K→68K Tesla V100 x2176 NNL 224 sn 75.03%

Takım bu rekoru kırmak için, araştırmacılar iki öncelikli konu olan: geniş mini-paket eğitimi kararsızlığı ve takım içi iletişim uyumluluğu ile büyük ölçekli dağıtımlı eğitimine önem verdiklerini ifade etti.

Araştırmacılar, “Biz geniş mini-paket kararsızlığını göstermek için bir paket boyu kontrol tekniğini benimsedik.” dedi. “Aynı zamanda, GPU’lar arasında verimli bir gradient değişimi için 2D-Torus şeması geliştirdik.”

2D-Torus, verimli bir haberleşme topolojisi gibi hizmet veriyor ve bu da iletişimde takıma uyum sağlama süresini azaltıyor.

Yazılım: Takım “Derin Sinir Ağı eğitim kütüphanesi (DNN) olarak Yapay Sinir Ağı Kütüphaneleri (NNL) ve bunların CUDA eklentilerini kullandık.” dedi. “NNL 1.0.0 CUDA 9.0 verisonları tabanlı geliştirme kolları ile GPU’larda DNN eğitimi için de cuDNN 7.3.1’i kullandık.”

Takım, makalelerinde “Haberleşme kütüphanesi olarak NCCL versiyon 2.3.5 ve OpenMPI versiyon 2.1.3’ü kullandık. 2D-Torus all-reduce ise NCCL2 ile uygulandı. Yukarıdaki yazılım da bir Singularity konteyner içinde paketlendi. Dağılmış DNN eğitimini koşturmak için Singularity versiyon 2.5.2’yi kullandık.” yazdı.

Bu çalışma geliştirme kütüphanesini güçlendirdi “Çekirdek Kütüphanesi: Sinir Ağı Kütüphaneleri Sony tarafından geliştirildi ve AI Bridging Cloud Infrastructure (ABCI) süper bilgisayarı, birinci sınıf hesaplama altyapısı Japan’s National Institute of Advanced Industrial Science and Technology (AIST) tarafından kuruldu ve işletildi. Bu sistem 4300 adet NVIDIA Volta Tensor Core GPU’ları tarafından çalıştırılıyor.

Kaynak: Nvidia Developer News Center

OpenZeka MARC 2019 Başvuruları Uzatıldı

OpenZeka MARC, yapay zeka algoritmalarının kullanıldığı Lise ve Üniversite öğrencileri ile Şirket/Girişimci çalışanlarının katılım sağlayabileceği mini otonom araç yarışmasıdır.

Son Başvuru Tarihi: 25 Ocak 2019

1. Eğitim Dönemi: 19-25 Ocak 2019 (7 gün süreli)
2. Eğitim Dönemi: 28 Ocak – 3 Şubat 2019 (7 gün süreli)

Yarışma kapsamında isteyen katılımcılara otonom araç inşa süreci, görüntü işleme, derin öğrenme, sensör füzyonu, 3D Stereo Kamera, Lidar, IMU verilerinin analizi ve otonom sürüş konularında uygulamalı eğitim verilecektir.

Eğitimlere katılım için giriş seviyesinde Python bilgisi yeterlidir. Open Zeka tarafından yazılım süreci geliştirilen 1/10 ölçekli araç platformu, otonom araç/makine uygulamaları geliştirmek isteyenlere en yeni yapay zeka algoritmalarını öğrenme imkanı sunmaktadır.

Başvuru ve detaylar için: https://openzeka.com/marc/