选择语言
基于深度学习的图像识别软硬件解决计划
在已往几年，全球的数据量以每年58%的速度快速增长，类型也不绝富厚，模型训练拥有海量的优质样本，但更大的挑战来自于算法和硬件盘算架构，为此，pg电子官网提出了基于深度卷积神经网络的图像识别软硬件一体化解决计划
图像识别指用视觉传感器（摄像头）和盘算机来模拟人眼和大脑，进行物体识别、跟踪和丈量，进而做图形处理让盘算机理解真实世界 。图像识别技术有许多应用场景，如：人脸识别、拍照识别、物体识别等种种图像场景的识别 。
基于深度学习的图像识别技术生长痛点
用来训练识别模型的样本数据缺乏
训练图像识别模型，需大宗的样本数据多次迭代训练，数据须具有识别工具的基本特征，有差别的配景角度区分，数据样本越富厚，模型的识别精度越高 。数据量积累缺乏，使得模型精准度往往不高 。
图像识别算法不敷先进
图像识别从最初的特征值抓取，生长到模式识别的边沿滤波，形态学检测经历了20年 。现在主要停留在浅层训练的机械学习阶段，尽管模型可实现机械替代人，但算法无法自行迭代学习，仅算是样本训练的智能程序 。
盘算机集群性能不敷，盘算用时太长
算法执行需硬件架构的支撑，一个模型对海量的样本数据进行学习，在CPU上执行一般需几天甚至几个月，大大拉长了研发周期和拖慢产品进程 。因此，先进的硬件盘算架构是激活优秀算法的前提 。
基于深度学习的图像识别的软件解决计划
软件架构：MPI+Caffe
深度卷积神经网络（CNN）算法是深度学习领域普遍接纳的神经网络构建模型，Caffe是目前最快的CNN架构 。pg电子官网的集群版Caffe盘算框架正是切中当下深度学习的迫切需求，它接纳MPI技术对Caffe版本进行数据并行优化，该框架基于伯克利caffe架构进行开发，完全保存原始caffe架构的特性 。即：纯粹的C++/CUDA架构，支持命令行、Python和MATLAB接口等多种编程方法，具备上手快、速度快、�？榛⒖判缘戎诙嗵匦�，为用户提供了最佳的应用体验 。另外，鉴于众多用户基于CPU进行深度学习应用研究的现实，pg电子官网还可提供C-G算法迁移增值效劳，针对用户目前的深度学习算法，做硬件适配性算法迁移和升级优化，资助用户做到算法的更快，更好 。硬件架构：IB网络+GPU集群+Lustre并行存储
以pg电子官网NF5568M4为代表的GPU效劳器的产品，在同CPU盘算力下， GPU配置数量比业内平均水平横跨50%，且最高支持的单卡盘算能力比业内主流水准高50%pg电子官网凭据深度学习多并行，高I/O需求，设计出Lustre漫衍式并行存储系统和56Gb/s InfiniBand网络架构的横向扩展的GPU主从硬件集群架构，配合pg电子官网inspur-caffe架构实现了跨多节点的数据并行盘算，该架构兼顾盘算密集型，IO密集型等盘算模型硬件需求特点，同时支持Pascal GPU，最大可实现超100个GPU卡并行盘算 。
该计划利用超等盘算机设计思路，突破多机多卡并行盘算I/O速率缺乏的技术瓶颈，在包管系统稳定性前提下，使高性能GPU盘算能力获得充分发挥，资助用户大幅提升线下模型逊з度，降低每个盘算焦点的TCO 。配合pg电子官网MPI-Caffe架构的深度学习算法，用户在图像识别类应用上，实现高精度图像识别模型的快速训练，加速后期业务产品化进程 。
实测显示，对1.3M张图片进行9层模型训练时，4颗E5-2699V3处理器的2台效劳器需3天（72小时）方完成训练，使用pg电子官网4卡最新GPU软硬一体化解决计划只需不到9.5个小时就可以完玉成部事情 。
企业通过图像识别技术，建立物体、场景、人脸、着装、文档图片、视频内容等识别&搜索综合系统，通过多维度解读图片内容，挖掘数据价值，使产品运营团队更好地描绘用户画像，资助企业实现更精准的营销推送，内容审核，大数据挖掘 。
广泛应用于种种电商平台，视频直播平台，在线教育平台，大幅度提升产品&内容运营团队效率 。在无人驾驶，家庭机械人，无人机，现实增强等前沿应用上提供嵌入式智能后台，以越发智能化的数据利用方法，增加用户粘度，扩展应用维度，引发更具想象力的用户体验 。
