GPU在数据中心越来越受欢迎,它可以加速机器学习和深度学习等数据密集型工作负载。现在,全球最大的GPU制造商Nvidia将推出一个与Kubernetes集群配合使用的用例,以加速深度学习模型的训练。
Nvidia本周二表示,将发布Kubernetes on Nvidia GPUs的候选版本,可供开发人员免费使用。该版本是针对那些在多云GPU集群上训练深度学习模型的企业。
Nvidia 是在Computer Vision and Pattern Recognition大会上宣布推出Kubernetes on Nvidia GPUs的,此外还推出了新版本的推理优化工具和运行时引擎TensorRT,以及名为DALI的GPU数据增强和图像加载库,旨在优化深度学习框架的数据管道。
Nvidia表示,推出Kubernetes on Nvidia GPUs背后的想法是为了让软件容器编排平台更加“GPU感知”。Kubernetes on Nvidia GPUs针对的是运行人工智能应用的容器,将帮助开发人员更好地协调散步在多个云主机的GPU集群。
Moor Insights&Strategy创始人兼首席分析师Patrick Moorhead表示:“这很重要,因为Kubernetes托管的应用现在可以利用GPU的性能了。这在虚拟机上将实现比以前更高的可扩展性。”
就在Nvidia这次发布的几周之前,谷歌刚刚在其Kubernetes Engine平台上发布了一个测试版的GPU,旨在加速图像处理和机器学习工作负载。谷歌当时表示,这个云GPU可用于创建由Nvidia Tesla V100、P100和K80处理器驱动的Kubernetes节点池。
Nvidia的TensorRT推理加速器是针对推理模型的开发者。该工具集成了谷歌开源的TensorFlow机器学习框架,并增加了新的层和功能,以加强针对推荐系统、神经机器翻译、图像分类和语音识别等应用的推理。
至于DALI,这是一项为JPEG图像编码提供GPU加速库的服务,旨在解决基于视觉的深度学习应用中的性能瓶颈,目的是为了帮助扩展图像分类系统如PyTorch、TensorFlow和ResNet-50的训练。AWS的P3 8-GPU实例以及Nvidia自己的DGX-1深度学习系统上都将提供DALI。
“深度学习研究人员需要他们的管道是便携的,”Nvidia加速计算软件和AI产品总监Kari Briski说。
好文章,需要你的鼓励
本文评测了六款控制台平铺终端复用器工具。GNU Screen作为老牌工具功能强大但操作复杂,Tmux更现代化但学习曲线陡峭,Byobu为前两者提供友好界面,Zellij用Rust编写界面简洁易用,DVTM追求极简主义,Twin提供类似TurboVision的文本界面环境。每款工具都有各自特点和适用场景。
韩国汉阳大学联合高通AI研究院开发出InfiniPot-V框架,解决了移动设备处理长视频时的内存限制问题。该技术通过时间冗余消除和语义重要性保留两种策略,将存储需求压缩至原来的12%,同时保持高准确性,让手机和AR眼镜也能实时理解超长视频内容。
网络安全公司Snyk宣布收购瑞士人工智能安全研究公司Invariant Labs,收购金额未公开。Invariant Labs从苏黎世联邦理工学院分拆成立,专注于帮助开发者构建安全可靠的AI代理工具和框架。该公司提供Explorer运行时观察仪表板、Gateway轻量级代理、Guardrails策略引擎等产品,并在工具中毒和模型上下文协议漏洞等新兴AI威胁防护方面处于领先地位。此次收购将推进Snyk保护下一代AI原生应用的使命。
纽约大学研究团队通过INT-ACT测试套件全面评估了当前先进的视觉-语言-动作机器人模型,发现了一个普遍存在的"意图-行动差距"问题:机器人能够正确理解任务和识别物体,但在实际动作执行时频频失败。研究还揭示了端到端训练会损害原有语言理解能力,以及多模态挑战下的推理脆弱性,为未来机器人技术发展提供了重要指导。