livepoolgerres的专栏

通过结合容器化私有云平台与异构计算技术，可以良好的解决当前 AI 市场中的几个突出痛点。曙光凭借在高性能计算领域深厚的技术积累，推出了面向 AI 的高性能计算平台 SothisAI，实现了从异构计算服务器到容器化资源调度再到深度学习框架的云平台整体架构建设。不论是在科学研究还是工程应用领域，曙光都在不断促进和推动人工智能技术的快速发展。

通过本文档将会了解到深度学习的应用场景，常规的部署方法及带来的挑战，基于这些挑战 NVIDIA 给出的高效解决方案 TensorRT 的介绍，性能及案例分享。

NVIDIA GPU 基础开发工具的最新特性介绍。具体包括：GPU 开发工具 CUDA v10.0 最新特性；深度神经网络 GPU 加速库 cuDNN v7.3 最新特性；GPU 集合通信库 NCCL v2.3 最新特性。

随着 AI 技术越来越成熟，AI 计算面临着三大变革：计算模式逐步从实验验证阶段进入应用生产阶段、计算规模逐步从单机计算到 GPU 集群计算、计算架构逐步从 CPU 计算到大规模 GPU 云计算。AI计算系统将面临计算平台优化设计、复杂异构环境下计算效率、计算框架的高度并行与扩展、AI 应用计算性能等挑战。应对上述挑战，本报告将从 AI 计算平台与算法的 Co-design、AI 计算平台管理、AI 计算框架的高扩展性设计、AI 实际应用性能优化四个方面来分析 AI 计算系统设计与优化方法。

随着 AI 技术越来越成熟，AI 计算面临着三大变革：计算模式逐步从实验验证阶段进入应用生产阶段、计算规模逐步从单机计算到 GPU 集群计算、计算架构逐步从 CPU 计算到大规模 GPU 云计算。AI计算系统将面临计算平台优化设计、复杂异构环境下计算效率、计算框架的高度并行与扩展、AI 应用计算性能等挑战。应对上述挑战，本报告将从 AI 计算平台与算法的 Co-design、AI 计算平台管理、AI 计算框架的高扩展性设计、AI 实际应用性能优化四个方面来分析 AI 计算系统设计与优化方法。

TensorRT 是 NVIDIA 推出的专门加速深度学习推理的开发工具。利用 TensorRT， 您可以快速、高效地在 GPU 上部署基于深度学习的应用。 我们首先会介绍 TensorRT 的基本功能和用法，例如它的优化技巧和低精度加速。其次， 结合我们实际使用过程中的经验，详细介绍 TensorRT 的难点：Plugin 机制。最后，我们会分享几个 TensorRT 成功应用案例

《GAN：实战生成对抗网络》介绍深度学习领域一个十分活跃的分支——生成对抗网络（GAN）。《GAN：实战生成对抗网络》中覆盖了深度学习的基础、对抗网络背后的原理以及构建方式等内容。同时《GAN：实战生成对抗网络》还介绍了多个真实世界中使用对抗网络构建智能应用的案例并提供了具体的代码以及部署方法，旨在帮助读者能够在真正的生产环境中使用生成对抗网络。

强化学习精要 核心算法与TensorFlow实现 《强化学习精要：核心算法与TensorFlow 实现》用通俗幽默的语言深入浅出地介绍了强化学习的基本算法与代码实现，为读者构建了一个完整的强化学习知识体系，同时介绍了这些算法的具体实现方式。从基本的马尔可夫决策过程，到各种复杂的强化学习算法，读者都可以从本书中学习到。本书除了介绍这些算法的原理，还深入分析了算法之间的内在联系，可以帮助读者举一反三，掌握算法精髓。书中介绍的代码可以帮助读者快速将算法应用到实践中。 《强化学习精要：核心算法与TensorFlow 实现》内容翔实，语言简洁易懂，既适合零基础的人员入门学习，也适合相关科研人员研究参考。

无论是业余爱好者还是专业的机器人开发人员，在开始进行机器人系统及程序设计时，首先要面对的问题都是基本的如何驱动机器人的轮子的设计。ROS通过软件代码复用集成了众多已经开发完成的功能组件。本书专门帮助读者从对ROS一无所知到能够通过ROS系统完成小型机器人系统的开发和编程工作。本书提供了各种实际的示例代码供读者学习和理解ROS的软件框架。你可以在仿真环境中自行构建机器人相应的功能程序。本书第2版在第1版的基础上增加了与ROSHydro一起工作，如何创建、可视化和处理不同传感器的点云信息，如何控制和利用多关节机械臂，并提供简单易懂的实用教程编写自己的机器人。