Kunstig intelligens og maskiner, der kan lære, er, hvordan de ting, vi bruger hver dag, forbedres. Google og Android er all-in med AI igennem Google Assistent og maskinindlæring, så det er vigtigt at vide, hvordan bagenden fungerer, hvordan de ankom, og hvilke typer udstyr der gør det hele muligt. Og det er også rigtig cool!
De mennesker, der bygger denne fremtidens teknologi, har brug for værktøjerne til at gøre det. I 2017, NVIDIA gør sin del, og Jetson TX2 er udførelsesformen for denne idé. Udviklere har brug for hardware, der ikke kun er i stand til at udføre computing og tænke (ja, jeg siger det), som vores smartere fremtid har brug for, men også er nem at bruge og implementere.
AI ved kanten.
NVIDIA henviser til dette som "at levere AI ved kanten", og det er en passende beskrivelse. TX2 er en komplet supercomputer. Det er i stand til at behandle data alene på det sted og tidspunkt, det faktisk sker i stedet for tusindvis af miles væk via internettet. Vi tager forbindelse for givet på grund af den måde, vi bruger det på lige nu, men der er masser af tilfælde, hvor det er for længe at vente på en datarundtur fra et smart stykke maskiner. Og en stor del af denne blå marmor, vi lever på, har ikke forbindelse til internettet og vil ikke i meget lang tid.
En lille computer, der kan gøre næsten alt og behandle alle de data, den indsamler selv, er hvordan du tackler disse problemer. NVIDIA ser ud til at have spikret det her.
Hvad er denne ting?
Dette er ikke noget, du kan finde på Best Buy til at bruge til ting, du laver med din telefon. Det kører ikke Android (men det ville bestemt ikke være svært at rette det), og det er noget, de fleste af os ikke køber. Men det er stadig en meget vigtig del af de ting, vi elsker.
Jetson TX2 er et udviklingsværktøj. Jetson TX2 er også et feltklart modul til at drive alt AI-baseret udstyr. Det er en computer på størrelse med et kreditkort med alle de input og output, som en "almindelig" computer har. Når du slutter TX2-modulet til dets specialdesignede bagplade (det er en del af udviklingssættet) det bliver for det meste til en typisk lille formfaktor-pc komplet med alle porte og tilslutter også dit skrivebord har.
Udviklere kan bruge dette til at bygge udstyr rundt og faktisk bruge Jetson selv til at køre demoer og simuleringer. Det er en kapabel lille maskine, der kan udføre alle beregningerne, som noget meget større kan gøre, mens du bruger en lille mængde strøm til at gøre det. Tekniske specifikationer er imponerende.
- NVIDIA Parker-serien Tegra X2: 256-core Pascal GPU og to 64-bit Denver CPU-kerner parret med fire Cortex-A57 CPU'er i en HMP-konfiguration
- 8 GB 128-bit LPDDR4 RAM
- 32 GB eMMC 5.1 indbygget lagerplads
- 802.11b / g / n / ac 2x2 MIMO Wi-Fi
- Bluetooth 4.1
- USB 3.0 og USB 2.0
- Gigabit Ethernet
- SD-kortspor til ekstern lagring
- SATA 2.0
- Komplet PMIC med flere kanaler
- 400 pin high-speed og low-speed industristandard I / O-stik
Den bedste tekniske spec er, at Jetson TX2 er en pin til pin drop som erstatning for sidste års Jetson TX1. Lad det synke lidt - udviklere, der bruger eksisterende NVIDIA TX1-computere til at drive hjerner bag deres udstyr vil være i stand til at lukke ting ned, trække det gamle bræt og lægge det nye en. Softwaren til TX1 opdateres til den samme software, som TX2 bruger, så det bogstaveligt talt vil være et fald i erstatningen. Hvis du nogensinde har udført nogen form for mark- eller fabriksarbejde på udstyr, der koster en masse penge, når det har nogen nedetid, forstår du, hvor vigtigt dette er. Mens næste generations udstyr udvikles, bruger det hardware, der fungerer 100% med den eksisterende generation.
Hemmeligheden her er gennem NVIDIAs Pascal GPU-kerner. Af samme grund bruges Pascal-kerner i meget avancerede grafikkort designet til VR og 4K 3D-spil, hvorfor de bruges til Jetson TX2. GPU-kerner er en mere effektiv måde at knuse numre på. De er hurtigere og bruger meget mindre strøm.
Den hellige gral ved computing er kunstig intelligens (AI): at bygge en maskine så intelligent, at den kan lære alene uden eksplicit instruktion. Deep learning er en kritisk ingrediens for at opnå moderne AI. Dyb læring gør det muligt for AI "hjernen" at opfatte verden omkring sig; maskinen lærer og tager i sidste ende beslutninger af sig selv. Det er nu bredt anerkendt inden for den akademiske verden og industrien, at GPU'er er state of the art i træning af dybneurale netværk (DNN) på grund af både fordele ved hastighed og energieffektivitet sammenlignet med mere traditionelle CPU-baserede platforme.
NVIDIA GPU-computere gør allerede nogle fantastiske ting. De driver den dybe læring, der bruges til selvkørende biler, og lærer robotter menneskelignende motoriske færdigheder såsom at gå og greb, analysere video i høj hastighed for at give teksttekster og endda spille Go. Og slå virkelig godt menneske modstandere.
GPU-kerner kan udføre det samme arbejde ved at bruge mindre strøm som traditionel CPU-computing.
Den virkelige test af AI og hjernen, der kan køre den, er i horisonten. Autonome robotter og droner udvikles til job som industriel inspektion, bærbart medicinsk udstyr, der kan tages i marken for at hjælpe de der har brug for er desperat brug for og endda smarte sikkerhedskameraer, der kan analysere, hvad de ser og tage passende skridt, snart virkeligheder. Disse ideer har brug for computing, der kan drive AI med dyb læringsalgoritmer og evnen til at analysere neurale netværkssamlede data alene. De kan ikke fastgøres til et kabel og vil blive brugt på steder, hvor selv Verizon ikke har nogen dækning.
Udover at være stærk, skal en computer designet til at være lille og bærbar også være energieffektiv. Test viser (.pdf-fil) at NVIDIA GPU-baseret computing kan svare til en Intel core i7 6700K CPU og bruge 6 watt i forhold til 60. For udstyr, der ikke er tilsluttet elnettet, er det vigtigt.
Vi kørte nogle benchmarks ved hjælp af AlexNet og GoogLeNet - CV-baseret objektkategoriklassificering og detektion testsoftware og resultaterne var fantastiske. I Max-P-tilstand (høj effekt) var Jetson TX2 i stand til at analysere et gennemsnit på 641 billeder pr. sekund ved hjælp af AlexNet-netværket, mens du kun bruger 13 watt strøm. GoogLeNet-testen var i gennemsnit 278 billeder i sekundet, mens der blev brugt 14 watt strøm. Max-Q (lav effekt) -test scorede i gennemsnit 481 billeder i sekundet på AlexNet og 191 billeder i sekundet på GoogLeNet, mens de kun brugte 7 watt. Dette er næsten dobbelt så meget, som sidste års Jetson TX1 kunne levere, og det var også ret godt til det.
Når du kan behandle oplysninger så hurtigt og præcist på stedet, er en forbindelse til skyen ikke den begrænsende faktor, det plejede at være.
I laboratoriet
Jetson TX2 skal være meget dygtig i marken. Det er den første af næste generations maskiner, der lærer ved at klare sig uden forbindelse til skyen og en betydelig opgradering fra eksisterende udstyr. Men det har også funktioner, som udviklere vil elske.
Beregningsmodulet med kreditkortstørrelse kan tilsluttes et komplet transportkort, der er tilgængeligt som en del af Jetson TX2-udviklingssættet. Transportkortet bruger de 400 I / O-ben på Jetson-modulet til at levere standard desktopforbindelser. En softwareudvikler kan bruge et standard USB-tastatur og en mus, en standardmonitor og Jetson TX2 til at skabe et komplet udviklingsmiljø.
Kører på et Ubuntu 16.04-baseret Linux4Tegra-operativsystem, og alle de værktøjer, du muligvis har brug for til at udvikle og debugge dyb læring AI-applikationer, er inkluderet som en del af NVIDIAs JetPack-software. Udviklere kan downloade pakken fra NVIDIAs Developer Zone samt følge vejledninger og samfundsviden for at se, hvad Jetson kan gøre, og derefter begynde at arbejde på deres egne ideer. Inkluderet software i JetPack er forudkonfigureret til at køre optimeret på TX2-behandlingssystemet:
- cuDNN - et GPU-accelereret bibliotek af primitiver til dybe neurale netværk.
- NVIDIA VisionWorks er en softwareudviklingspakke til Computer Vision (CV) og billedbehandling.
- CUDA værktøjssæt - et omfattende udviklingsmiljø for C- og C ++ - udviklere, der bygger GPU-accelererede applikationer.
- TensorRT - en højtydende dyb læringsinferens runtime til billedklassificering, segmentering og objektdetektering neurale netværk.
- NVIDIA Nsight Eclipse - En komplet og tilpasset Eclipse IDE til udvikling, debugging og profilering af CUDA-C-applikationer.
- Tegra System Profiler og Tegra Graphics Debugger - værktøjer til profilering og eksempler på applikationer ved hjælp af OpenGL.
- Den nødvendige sikkerhed og aktiver til udvikling og design af hardware ved hjælp af NVIDIA Jetson TX2.
Brug af den samme platform til at opbygge og debugge enhver applikation er et must for alt indviklet og kompliceret. Det er en af måderne, som udviklere kan forenkle processen på, og alt, hvad der kan hjælpe med at gøre tingene lettere, gør det til lykkeligere udviklere. Mens Jetson TX2 muligvis ikke er designet som den eneste udviklings- og byggecomputer, som enhver gruppe bruger, er det en velsignelse for installation og feltarbejde at vide, at den er i stand. Der kan foretages små justeringer og ændringer på kanten på samme måde som behandlingen sker uden at sende data tilbage til en anden computerbank for at behandle og returnere.
Udstyr kan designes ved hjælp af de tilgængelige hardwareaktiver og tegninger for ikke kun at reducere kompleksiteten, men for at tillade en nem grænseflade ved hjælp af let tilgængelige perifere enheder og software. Bevæbnet med en bærbar computer og et USB-kabel har en ingeniør eller feltteknologi alt, hvad der er nødvendigt for at genopbygge fra bunden, hvis det er nødvendigt.
NVIDIA Jetpack-softwaren betyder, at udviklere kan fokusere på deres arbejde og ikke oprette et byggemiljø.
Selv installationen af NVIDIAs Jetpack er strømlinet. Granskere fik en opdateret version til installation og fulgte et par enkle instruktioner gennem en smart GUI havde en fuldstændig genopbygning af al software færdig med bare et par trin og en kop kaffe. Igen ser vi NVIDIA gøre tingene lettere, så udviklere kan fokusere på deres arbejde i stedet for at opretholde selve byggemiljøet.
Du kan faktisk bygge og fejle software på Jetson TX2, mens du har et udvalg af andre applikationer, der kører for at skrive et blogindlæg.
Efter et par dage med at sætte tingene op og teste alt kom jeg meget imponeret over, hvad NVIDIA leverer her. Den første Jetson TX1 var et fantastisk produkt, der udfyldte et behov for hurtig udvikling ved hjælp af GPU-kerner til at gøre det tunge løft til dyb læring neurale netværksapplikationer. På meget kort tid har NVIDIA hævet linjen med en efterfølger, der kan bryde afhængigheden af skyen ved hjælp af de samme velkendte udviklingsværktøjer og teknikker.
Fremtidens teknologi vil begejstre og inspirere os alle. Produkter som Jetson TX2 er det, der gør denne fremtid mulig. NVIDIA Jetson TX2 Developer Kit er prissat til $ 599 for detailordrer og $ 299 for studerende.
Se på NVIDIA Embedded Developers portal
Vi tjener muligvis en provision for køb ved hjælp af vores links. Lær mere.
Dette er de bedste trådløse ørepropper, du kan købe til enhver pris!
De bedste trådløse øretelefoner er komfortable, lyder godt, koster ikke for meget og passer let i lommen.
Alt hvad du behøver at vide om PS5: Udgivelsesdato, pris og mere.
Sony har officielt bekræftet, at de arbejder på PlayStation 5. Her er alt, hvad vi ved om det hidtil.
Nokia lancerer to nye budget Android One-telefoner under $ 200.
Nokia 2.4 og Nokia 3.4 er de seneste tilføjelser til HMD Globals budget-smartphone-sortiment. Da de begge er Android One-enheder, modtager de garanteret to store OS-opdateringer og regelmæssige sikkerhedsopdateringer i op til tre år.
Få mere ud af dine Ring-kameraer med dette tilbehør.
Ring sikkerhedskameraer er fantastiske ud af kassen, men de kan være så meget bedre med godt tilbehør. Her er nogle af de bedste ringtilbehør, som vi synes, du ikke burde være uden.