2020年GTC中國線上大會嘉賓演講PPT資料合集（共144套打包）

2020年GTC中國線上大會嘉賓演講PPT資料合集（共144套打包）

更新時間：2021-02-07 報告數量：144份

大會演講PPT

GPU 開發與工具

高性能計算

加速數據科學

深度學習平臺及應用

云計算和消費者互聯網

智慧醫療和生命科學

專業圖形和 GPU 虛擬化

自主機器和邊緣計算

報告合集目錄

報告預覽

全部
- 5G+ 電信
  - 紅帽開源軟件助力電信行業 GPU 應用.pdf
  - GPU 加速 5G 基站的的 DICT 融合.pdf
  - 助力 5G 和邊緣計算深入了解 Cloud XR.pdf
  - 基于 5G 車路協同智慧公交解決方案.pdf
  - GPU 加速開源 5G.pdf
  - 中國電信 5G 邊緣計算推動產業互聯網發展.pdf
  - 中國移動九天人工智能平臺 GPU 推理實踐.pdf
  - Rivermax- 帶您輕松跨入超高清視頻的 IP 時代.pdf
  - NVIDIA 加持的 5G 云部署.pdf
  - GPU 加速中國電信 Spark 大數據處理.pdf
  - DPU 加速 5G.pdf
  - 5G 時代統一的邊緣云網建設.pdf
- GPU 開發與工具
  - 深入理解 Nsight System 與 Nsight Compute 性能分析優化工具.pdf
  - NVIDIA 的 BERT 量化方法與工具.pdf
  - Bagua！并行通訊庫.pdf
  - 網絡計算技術加速 GPU 應用.pdf
  - TensorRT Onnx Parser 使用案例分享.pdf
  - 加速基于 GPU 的 Top-K 計算.pdf
  - 模型量化訓練 TensorRT 部署實踐.pdf
  - GPU 推理中的數據格式全局優化算法.pdf
  - CUDA 11 新特性介紹.pdf
  - CUDA Graph 在 TensorFlow 中的應用.pdf
  - 面向機器學習的開發環境 CodeLab 介紹.pdf
  - Faster Transformer 3.0 編碼器的 INT8 量化實現.pdf
- 高性能計算
  - 基于 GPU 加速的矩陣離散元方法實現與應用.pdf
  - 全新 NVIDIA A100 80GB GPU 加速超大規模 HPC 和 AI 應用.pdf
  - RDMA 在分布式存儲中的應用.pdf
  - 超算集群網絡管理神器 — UFM Cyber-AI.pdf
  - 基于 CPU-GPU 異構平臺的第一性原理密度泛函理論高性能計算.pdf
  - CUBE：高可擴展宇宙學 N 體問題模擬程序.pdf
  - 腦研究之利器：基于 NVIDIA GPU 的全腦尺度直接可視化方法.pdf
  - HPC 應用性能分析和調優.pdf
  - GPU 加速 Paradigm 解決方案.pdf
- 加速數據科學
  - 如何在 GPU 上進行海量數據流的 ETL 處理.pdf
  - 使用 GPU 加速 XGBOOST 在 SPARK 集群上的分布式訓練.pdf
  - 使用網絡 RDMA 技術為 SPARK 架構加速.pdf
  - 使用 RAPIDS 加速 APACHE SPARK 3.0.pdf
  - NVIDIA 以太網產品加速數據科學應用.pdf
  - GPU 加速 python 計算.pdf
  - 基于 GPU 的數據科學與分析加速庫 RAPIDS- 概覽與更新.pdf
- 深度學習平臺及應用
  - 智能鈦機器學習平臺計算優化實踐.pdf
  - 使用 Triton 優化深度學習推理的大規模部署.pdf
  - 騰訊“開悟”游戲 AI 平臺在 TensorRT 上的最佳實踐.pdf
  - 高階信息如何加速神經網絡訓練？.pdf
  - 用 NVIDIA Jarvis 來構建你的語音助理.pdf
  - 機智深度學習訓練平臺及應用.pdf
  - 預訓練時代的機器翻譯.pdf
  - 基于 GPU 的機器翻譯推理性能優化.pdf
  - TurboTransformers：高效的 Transformer 線上推理系統.pdf
  - 語音技術效率優化實踐.pdf
  - Whale：統一多種并行化策略的分布式深度學習框架.pdf
  - 基于 Tensor Core 的 CNN INT8 定點訓練加速.pdf
  - 安全 AI 平臺 GPU 實踐和思考.pdf
  - Hammer：一體化的模型壓縮和 NAS 引擎框架.pdf
  - Apache MXNet 2.0：連接深度學習與傳統機器學習.pdf
  - MULTI-INSTANCE GPU（MIG）深度學習最佳用法示例.pdf
  - Eva 平臺在深度學習訓練和推理上的實踐和優化經驗.pdf
  - 如何快速搭建全 GPU 加速的 AI 應用.pdf
  - FastSpeech：高效語音合成的算法設計及優化.pdf
  - GPU 在向量搜索中的應用.pdf
  - 飛槳推理引擎性能優化.pdf
  - Lightseq：GPU 高性能序列推理實踐.pdf
- 推薦系統
  - 將 HugeCTR Embedding 集成于 TensorFlow.pdf
  - PLE — 一種新的分層萃取多任務學習網絡結構.pdf
  - 推薦系統推理性能優化在“雙十一”中的應用.pdf
  - 性能提升 7 倍 + 的高性能 GPU 廣告推薦加速系統的落地實現.pdf
  - Vearch 的 GPU 方案在海量向量檢索系統上的應用創新.pdf
  - GPU 加速的數據處理在推薦系統中的應用.pdf
  - 愛奇藝使用 GPU 加速 CTR 模型訓練的實踐.pdf
  - Merlin ： GPU 加速的推薦系統框架.pdf
  - 高性能網絡加速智能推薦系統.pdf
  - Merlin HugeCTR ：深入研究性能優化.pdf
  - NVIDIA 助力構建安全和高效的推薦系統.pdf
  - 多標簽分類：漢明損失和子集精度真的相互沖突嗎？.pdf
  - Merlin NVTabular：基于 GPU 加速的推薦系統特征工程最佳實踐.pdf
- 游戲開發
  - 逆水寒的 DX12 和 RT 實踐.pdf
  - 深度學習在寫實游戲開發中的應用.pdf
  - 在游戲中實現光線追蹤百萬光源.pdf
  - 實時光線追蹤開發指南.pdf
  - 基于 RTX Server 的 GPU 光照烘焙系統.pdf
  - 游戲引擎中實時光線追蹤的進展：全局照明、焦散與透明.pdf
  - VRS & DLSS 在水銀引擎中的應用.pdf
  - DLSS 2.0 — 基于深度學習的超采樣技術介紹.pdf
  - PhysX 5 的最新研發進展及其在 Omniverse 中的應用.pdf
  - RayTracing 在堡壘之夜中的改進和應用.pdf
  - Machinima：游戲玩家自己的游戲視頻創作工具.pdf
- 云計算和消費者互聯網
  - 在 Apache Flink 中使用 GPU 來完成機器學習任務.pdf
  - 使用現代網絡理念構造開放數據中心.pdf
  - 智能網絡加速 5G 云服務.pdf
  - 構造開放的網絡基礎設施加速現代數據中心.pdf
  - 透過 Azure HPC 架構打造高效能 AI 云端運算.pdf
  - 騰訊 GPU 云服務器打造云端高性能 AI 解決方案.pdf
  - 基于模型的 GPU 性能估算及其在深度學習運算性能優化上的應用.pdf
  - 人的視覺感知技術：人臉關鍵點、手部姿態估計、人體深度估計.pdf
  - GPU 助力普惠 AI 家居設計.pdf
  - 基于人眼主觀視覺的畫質評價與提升.pdf
  - 新一代全閃 SDS 存儲系統.pdf
  - 軟硬一體 — 使用阿里云 GPU 云服務器加速智能計算.pdf
  - 大規模分布式 GPU 圖嵌入在騰訊的實踐之路.pdf
  - SOLO ：簡單高效的視覺實例分割和識別框架.pdf
  - 從系統層面提升 GPU 利用率.pdf
- 智慧金融
  - 分布式人工智能與金融應用.pdf
  - GPU 數據庫在不同行業中的應用.pdf
  - NVIDIA 網絡打造超低時延證券解決方案.pdf
- 智慧醫療和生命科學
  - NVIDIA Clara Guardian 助力構建智慧醫院.pdf
  - GPU 賦能長讀長基因測序.pdf
  - 基于眼表圖像的 COVID-19 快捷風險篩查.pdf
  - GPU 技術在放射治療領域的科學研究.pdf
  - 3D 醫療影像數據深度學習高效訓練與推理架構.pdf
  - AI 技術在醫療健康領域的應用探索.pdf
- 專業圖形和 GPU 虛擬化
  - 虛擬化場景下 GPU 應用的網絡優化.pdf
  - Quadro 助力 GPU 加速的多投影機變形融合.pdf
  - 通過 kata 容器在 kubernetes 集群中支持 vGPU.pdf
  - 廣電流媒體使用 Quadro 助力機器學習自動化.pdf
  - 從行星到街道——現代 GPU 的海量數據渲染.pdf
  - OMNIVERSE 平臺與三維動畫流程.pdf
  - GPU 加速工程設計與仿真.pdf
  - NVIDIA vGPU 在 Ampere GPU 上的新特性和飛躍.pdf
  - XR 進化！從 DLSS 到 Cloud XR.pdf
  - NVIDIA Ampere 構架帶來 vGPU 新特性.pdf
  - GPU 加速家居產業效率變革.pdf
- 自動駕駛
  - NVIDIA DRIVEWORKS SDK 中強大的實時傳感器數據采集和回放工具助力自動駕駛開發.pdf
  - NVIDIA Drive Sim 幫助解決無人駕駛預期功能安全問題.pdf
  - 乘用車自動駕駛產業生態與協作.pdf
  - 構建中國特色仿真環境.pdf
- 自主機器和邊緣計算
  - 深度學習在京東物流無人配送車感知的應用.pdf
  - 基于 AI 的工業缺陷檢測與分類創新實踐.pdf
  - 智能物流機器人 — 小蠻驢.pdf
  - 面向智慧交通場景的邊緣感知系統.pdf
  - 從云到邊：邊緣智能開啟 AI 新時代加速行業落地.pdf
  - Livox 感知系統在 Jetson AGX Xavier 上部署的實踐.pdf
  - 無人機電力巡檢圖像 AI 處理系統的創新與應用.pdf
  - 基于 Jetson 設備構建可信邊緣計算.pdf
  - NVIDIA 以太網賦能下一代邊緣云網絡.pdf
  - 實現室內自主移動機器人（AMR）的挑戰.pdf
  - NVIDIA Jetson 賦能 AI無處不在.pdf
  - 基于 Jetson 的點云加速及在自主機器的應用.pdf
  - 人工智能賦能服務機器人.pdf
  - NVIDIA Jetson 助力智能車輛裝備領域的人工智能應用.pdf
  - 多尺度 Jetson AI 端到端解決方案.pdf
  - DPU 加速邊緣計算.pdf
  - GPU加速戴口罩人臉識別.pdf
  - AI 賦能線下零售.pdf
  - NVIDIA ISAAC 機器人平臺 — 從仿真到部署的機器人解決方案.pdf

請點擊導航文件預覽

資源包簡介：

1、JAY YANG, Dec 2020 SOTIF V Add Variance Scenario B: Double Lane Change Cutoff (1 / 30 km) Scenario A: Single Lane Change Cutoff (1 / 10 km) Scenarios Observed During ODD Characterization Reasonable Variance Introduced to Scenarios in Simulation Scenario Bx (1 / 10000 km) Scenario Ax (1 / 10000 km) 23NVIDIA CONFIDENTIAL. DO NOT DISTRIBUTE. ACCELERATED TESTING Comparison vs Real World Testing Real World Testing: 3 Scenario Exposures over 30km and 1 hr* Limited by availability of ODD and actual pre。

2、通過kata容器在kubernetes集群中支持vGPU 周威（騰訊IEG）2020/11 目錄 GPU虛擬化概述與kata集成方案 device plugin 開發原有GPU架構 Kubeletnvidia-device-plugin GPU Pod Pod Pod driver library volume GPUGPU Runtime(RunC) GPU的虛擬化根據我們的監控數據，很多情況下用戶申請了GPU 資源卻并不能將GPU用滿，而GPU作為一種寶貴的計算資源，如果能通過一些手段讓多個用戶共享一塊 GPU卡的話無疑能節省很多成本?，F有的GPU虛擬化方案主要有MPS和GRID 兩種方案方案MPSGRID 原理容器中的多個cuda進程共享 GPU context，母機上。

3、乘用車自動駕駛產業生態與協作德賽西威曾迪技術趨勢 L0 L1 L2 L3 L4 L5 2030 手、眼控制手、眼控制手可偶爾離開控制眼可偶爾離開控制手離開控制眼離開控制手離開控制意識離開控制手離開控制離開駕駛無自動化輔助控制縱向、橫向輔助駕駛縱向、橫向協同駕駛接受請求自動駕駛不接受請求無人駕駛技術趨勢自動駕駛 L0 無自動化 L1 輔助控制 L2 輔助駕駛 L3 協同駕駛 L4 自動駕駛 L5 無人駕駛低速 LKA ACC TJA RAW FCTA RCTA BSD RCW FCW AEB RAEB TSR HWA DMS LDW 高速擁堵駕駛高速駕駛代客泊車倒車后視全景影。

4、構建中國特色仿真環境鮑世強 | 51WORLD研發總監 Shiqiang Bao, R&D Director, 51WORLD 51WORLD介紹我們是一家以計算機圖形學為基礎的中國原創科技公司。公司橫跨物理模擬，工業仿真，人工智能，大數據，云計算等技術領域，為智慧城市、汽車及交通、智能制造、房地產等行業提供全球領先的數字孿生產品和服務。 51WORLD數字孿生全要素場景（L1-L5） L2 中仿真場景L1 初仿真場景L5 全要素場景L4 超仿真場景L3 高仿真場景城市網格城市建筑建筑細節道路標線花草樹木地形地貌道路細節擬真場景交通信號紋理細節路網街區地表綠植動態車流。

5、從行星到街道現代GPU的海量數據實時渲染吳亞光目標目標全域可遠觀，可漫游多樣的環境渲染多源的海量數據的實時顯示全域可遠觀，可漫游全域可遠觀，可漫游 ScalabilityScalability 觀察距離從1米到32公里（最大可到行星軌道）最終提交的三角形數和DC數量符合預算可以支持任意的場景大?。ㄗ?大可到行星大?。?支持最大1km/s相機地表高速運動渲染系統預算三角形 1.5億 Vertex buffer + Index buffer 3GB Memory Draw-calls 5000 貼圖 2GB Memory Total Data 200 億個 Draw-calls 200 萬次貼圖數據 20 GB Total Data 300GB 解。

6、NVIDIA Omniverse Platform !#$%&#$%& 沈映 NVIDIA Omniverse Platform !#$%&#$%& 沈映內容大綱內容大綱數字內容創意行業面臨的挑戰應對挑戰的解決方案：NVIDIA OMNIVERSE平臺介紹歐特克軟件應用中的GPU加速 USD：新一代數據標準和流程 MAYA和ARNOLD的USD應用歐特克軟件利用OMNIVERSE平臺實現團隊協同設計的初步嘗試數字內容創意行業面臨的挑戰一：數字內容創意行業面臨的挑戰一：大數據大數據模型數量和精細度畫幅尺寸貼圖精細度視覺效果動力學解算數據量動畫數據量數字內容創意行業面臨的挑戰二：數字內容創意行業面臨的。

7、GPU助力工程設計與仿真丁海強首席技術官 Ansys 中國 2020年12月 GTC 中國線上大會當今技術變革的速度是前所未有的，并且還在不斷加速數碼相機 0.01 兆像素 2kg $10,000 Steven Sasson 1976 2019 10000 x 分辨率 1000 x 減重 1000 x 價格降低 2019 ICBM 慣導系統陀螺儀 25 kg $50 million 1960年代手機陀螺儀: $3 產品設計部門面臨著越來越大的壓力 Source: E, The Aberdeen Group 產品研發面臨的最大挑戰產品復雜度更高運行環境復雜多變開發資源受限更難產生競爭差異對設計失敗的容忍度更低 40% 36% 36% 31% 21% 設計周期 2 2。

8、Neo Jia, Dec 2020 NVIDIA VGPU 在 AMPERE GPU 上的新特性和飛躍 2 NVIDIA vGPU introduction What is NVIDIA vGPU Ampere SRIOV How NVIDIA vGPU architecture takes advantage of SRIOV Ampere Multi-Instance GPU What can you offer combining Multi-Instance GPU and vGPU AGENDA 3 NVIDIA VGPU INTRODUCTION 4 Fully enables NVIDIA GPU on virtualized platforms Wide availability - supported by all major hypervisors Great app compatibility NVIDIA driver inside VM Great performance VM direct access to GPU hardware Im。

9、FROM DLSS TO CLOUD XR 2 NVIDIA PROFESSIONAL VISUAL COMPUTING PLATFORM A World Changing Platform of Innovation for the Past 20 Years Solar Analysis with NASA Advancing Science with Proprio Vision Breaking TV Barriers with Image Engine Ground Exploration with Oero Preto Transforming Cityscapes with Neoscape Stunning Animations with MPC Films Massive Live Experiences with Disguise Courtesy of Image Engine. NETFLIX Courtesy of MPC. 2018 Walt Disney Pictures. Courtesy of Disguise. PUBG Global Invitat。

10、NVIDIA AMPERE !#$!#$VGPU % MIG 2g.10gb Instance實例上的吞吐性能 Server Config: Intel Xeon Gold (6240 2GHz 3.2GHz Turbo Cascade Lake) Red Hat RHV/RHEL, NVIDIA Virtual Compute Server 11.1 RC, NVIDIA A100 (10C profile), Driver 450.74 TensorRT Resnet-50 V1,5 NGC 20.07, INT8, BS:128 0 0.2 0.4 0.6 0.8 1 1.2 MIG 2g.10gb Instance 1 MIG 2g.10gb Instance 2 MIG 2g.10gb Instance 3 MIG Bare MetalMIG w/ vCS Avg Images per Second (normalized) 11 ?ABCD 12 NVIDIA ?ABCD vGPU 11.1 正式發布任何時間任何地點使用vGPU。

11、GPU加速為家居軟件技術帶來新體驗三三維維家家產品專家產品專家曹健曹健營銷量尺設計下單審單拆單排產生產倉儲配送安裝售后線下地推線上營銷設計師審單員拆單員排產員車間工人倉儲員司機安裝工售后客服行業鏈條長參與角色多上下游強依賴產業現狀 ? ? ? ? ? ? ? ? ? ? ? ? ? ? SaaSSaaS ? SaaSSaaS ? SaaSSaaS ? SaaSSaaS ? ? ? ? ?CAM?NCG?CAM ?CAM?CAM ?CAM?CAM 3D? DMS? ? ? ? ? ? ? ? ?BIM ? ? ? 三維家云設計軟件三維家生產軟件全球家居產業互聯網平臺 200萬+ 設計師定制家居企業工廠企業合作高校認證教師。

12、Developer Deck CLARA GUARDIAN FOR SMART HOSPITAL 2 Challenge and Use Case Clara Guardian Technical Overview Train multimodal AI using Clara Guardian Deploy multimodal AI using Clara Guardian EGX Edge AI Platform 3 CHALLENGE AND USE CASE 4 SPEEDING THE WAY TO SMART HOSPITALS The delivery of healthcare is increasingly more challenging with having to do more with less resources. Smart sensors such as cameras and speakers can act as eyes and ears to ensure safety and operational excellence of health。

13、GPU賦能長讀長基因測序演講人：謝丹、卓遠 PART 01 納米孔基因測序技術什么是基因基因基因是產生一條多肽鏈或功能RNA所需的全部核苷酸序列儲存著種族、血型、孕育、生長、凋亡等過程的全部信息是遺傳的基本單元，通過復制，把遺傳信息傳遞給下一代指導蛋白質的合成來表達自己所攜帶的遺傳信息，從而控制生物個體的性狀表達基因組生物體所有遺傳物質的總和，這些遺傳物質包括DNA或RNA DNA與RNA DNA 脫氧核苷酸，由堿基、脫氧核糖和磷酸構成堿基組成有4種：腺嘌呤（A）、鳥嘌呤（G）、胸腺嘧啶（T）、胞嘧啶（C） DNA 為雙螺旋。

14、分布式人工智能與金融應用王靜逸目錄分布式人工智能的發展概要金融業大規模人工智能計算的痛點與需求分布式人工智能如何賦能金融業未來展望金融科技領域-分布式人工智能的需求概要隨著金融科技領域的不斷發展，特別是云計算、大數據、區塊鏈、分布式、人工智能、物聯網的發展，單一的計算機無法完成這樣的巨大的計算工作，特別在AI領域，傳統的人工智能計算效率已經遠遠無法滿足業務的快速發展。而在物聯網領域，隨著智能互聯的發展，多個智能設備之間的協作也變得更加緊密，人工智能的發展，逐步也在往邊緣計算領域發展，萬物。

15、GPU數據庫在不同行業中的應用數據庫在不同行業中的應用上海雅捷信息技術股份有限公司上海雅捷信息技術股份有限公司 2003年，公司成立 2015年，股份制改造 2016年，新三板掛牌 2018年，新三板退市上海：總部南昌、合肥：研發中心美國硅谷：研發中心致力于大數據高速并行加工處理服務和產品聚焦：大數據平臺智能證券服務工業仿真 AI數據服務歷程場地業務典型的硬件配置 NVIDIA GPU-accelerated solution 上海雅捷業務簡介原型原型應用應用落地落地功能持續功能持續強化強化 01 GPU數據庫原型 -DT 1.0 2013年雅捷工程師開。

16、復旦大學大數據學院眼表圖像檢測實現人體疾病風險篩查眼表圖像檢測實現人體疾病風險篩查 COVID-19 eye test 付彥偉青年研究員付彥偉青年研究員核心團隊基于眼表病理特征對特定疾病基于眼表病理特征對特定疾病進行快捷風險檢測及健康評估進行快捷風險檢測及健康評估AIAI平臺平臺眼表疾病篩查輸入 Image Preprocessing DL-based Classification Network 模型輸出 COVID-19 Pulmonary Healthy Ocular 系統模型框架內測版App 算法借鑒“眼表望診學”先驗知識參考文獻：太平圣惠方眼論秘傳眼科龍木論龍木總論仁齋直指方論望目辯證診斷。

17、感謝您下載包圖網平臺上提供的 PPT作品，為了您和包圖網以及原創作者的利益，請勿復制、傳播、銷售，否則將承擔法律責任！包圖網將對作品進行維權，按照傳播下載次數進行十倍的索取賠償！基于大數據和人工智能的基于大數據和人工智能的放療自動化系統研究放療自動化系統研究海創時代（深圳）醫療科技有限公司 2020年11月匯報人：朱其奎博士算法總監感謝您下載包圖網平臺上提供的 PPT作品，為了您和包圖網以及原創作者的利益，請勿復制、傳播、銷售，否則將承擔法律責任！。

18、在Apache Flink中使用GPU來完成機器學習任務郭旸澤阿里巴巴/ 開發 1 陳戊超阿里巴巴/ 開發 01 Background 2 Apache Flink An unified batch and stream processing engine. Widely used in recommendation, ETL, real-time risk management and other scenarios. 3 Machine learning workflow Feature Engineering Model Training Model Inference Model Serving Analysis Flink Flink TensorFlow TensorFlow Serving TensorFlow 4 Problems Users do feature engineering, model training and model prediction with two framework. Dis。

19、3D醫療影像數據深度學習高效訓練與推理架構北京安德醫智科技有限公司楊春宇博士/算法總監/國家萬人計劃領軍人才醫療影像數據醫療影像數據醫療影像數據基本特點數據維度： 2D、3D、3D多序列、2D視頻、3D視頻、3D視頻多序列采集效率：毫秒級到數十分鐘數據尺寸：典型512長*512寬*數百層*數個序列數據體量：特定病種幾例到幾十萬例病例數據質量：數據需專業團隊標注，高水平醫生標注/審核，工作量巨大小樣本/半監督/無監督學習算法重獲重視，但仍不成熟醫療影像輔助診斷中常用的AI技術目標檢測：器官粗定位，微小病灶的篩。

20、1 陳龍, 高級市場開發經理 2020.December NVIDIA網絡打造超低時延證券解決方案 2 構建最快的交易系統降低擁塞時延低時延線纜低時延網卡低時延交換機 3 時延分布 NIC CPU TCP/IP 5-15us DDR Module Passive Copper 0.3ns Active Copper 1ns Fiber 10ns DDR DIMM PCIE Module Passive Copper 0.3ns Active Copper 1ns Fiber 10ns Serdes 1Tbps 100ns 64128Gbps 200400ns 10-100Gbps Propagation Latency Switch Module Passive Copper 0.3ns Active Copper 1ns Fiber 10ns DOWN- QUEUE 10- 1000us MAC+PHY 100-200ns MAC+PHY 100-200ns S。

21、GTC China, Dec 2020 OPEN DATA CENTER WITH CLOS & CUMULUS 2 CLOS and BGP Fundamentals How should it work? iBGP vs eBGP What BGP hammer to use BGP Configuration How to make it work Routing on Host A new solution for DC network Network is a Server Cumulus Linux Introduction AGENDA 3 BGP AND FABRICS Reference material 4 BGP FUNDAMENTALS 5 BGP ON CUMULUS LINUX Multiprotocol support Supports IPv4, IPv6, L2VPN-EVPN Implemented in the FRR routing suite in Cumulus Linux High Performance Production in tho。

22、ACCELERATE TELCO CLOUD WITH SMART NETWORK 2 DIGITAL TRANSFORMATION JOURNEYS FOR TELCO Exponential Growth of IoT-Driven Devices The Cloud Native TelcoRace to the Edge of the Network Rise of Artificial IntelligenceThe Years of 5G 3 ACCELERATING TELCO WORKLOADS Uncompromised SDN Acceleration with ASAP2 technology Modern Telecom Network Core Edge Access Time-Triggered Transport Technology for Telco (5T) for 5G RAN Provision Bare-Metal Like a Cloud Giant with DPU Cloud-Native deliver high- performanc。

23、AIAI技術在醫療健康領域的應用探索技術在醫療健康領域的應用探索 Tencent AI Healthcare 2 騰訊AI Lab發展歷程目前有超過目前有超過 70 70 位位AIAI科學家和科學家和 300300 位工程師位工程師 2016.4 成立騰訊 AI Lab 2017.5 成立騰訊 AI Lab 西雅圖實驗室 2018.3 成立騰訊機器人實驗室 2018.8 成立AI醫療中心 2019.4 進入AI藥物研發領域 3 AI賦能醫院/醫師目標：實現目標：實現AIAI與醫療產業的深度結合，提高社會整體醫療水平與醫療產業的深度結合，提高社會整體醫療水平定位定位 AIAI賦能藥企賦能藥企：打造：打造AIAI輔助新藥輔助。

24、GTC China Dec 2010 NVIDIA OPEN NETWORKING ACCELERATE MODERN DATA CENTER 2 Accelerated Disaggregated Infrastructure (ADI) THE DATA CENTER IS THE NEW UNIT OF COMPUTING NVIDIA Networking Software defined, Hardware-accelerated DPU (data processing unit) DPU essential to disaggregate resources & make composable ADI Accelerated Computing GPU: AI & machine learning GPU critical for AI & machine learning Every workload will become AI Accelerated 3 DISAGGREGATION & COMPOSABILITY All Resources Become Virt。

25、騰訊GPU云服務器，打造云端高性能AI解決方案宋丹丹騰訊云異構計算產品負責人目錄 Part1 覆蓋全業務場景的GPU云服務器解決方案 Part2 新技術架構&新產品發布 Part3 Case Study 目錄 Part1 覆蓋全業務場景的GPU云服務器解決方案 Part2 新技術架構&新產品發布 Part3 Case Study 1、騰訊云GPU服務器發展歷程 2016年12月 GPU云服務器發布 2017年9月 GN8(P40)、 GN9(V100)實例發布 2018年10月 GN10X(V100)發布 2019年9月 GN7(T4)發布 2020年1月 vGPU上線 2020年11月 GT4（A100）發布騰訊云虛擬化平臺 1、騰訊云異構計算全景 pGPU直通深度學。

26、Model-basedCostEstimationon GPU 2020 金躍 andits application in deeplearningoperationoptimizations * 僅限內部交流使用，如果需要公開，請聯系文檔作者 Introduction In this project, instead of searching for insects, we develop a machine learning-based framework to search for fastest possible program or hardware design, given a math operation and a hardware platform. Unliketraditionaloptimizingtechnologies,Woodpecker- AutoSearch uses machine to write fast programs, instead of tedious hand optimizing 。

展開閱讀全文

云閑專家認證

該用戶很懶，什么也沒介紹

相關合集

其他合集

聯系我們

0731-84720580
sgpjbg002
工作日 9:30 - 18:00

關于我們

侵權處理

關于我們

出版物經營許可證
工信部備案號：湘ICP備17000430號-2
公安備案號：湘公網安備43010402001071號

三個皮匠報告專業的行業報告下載站，每日更新，歡迎大家關注！

copyright@2008-2013 長沙景略智創信息技術有限公司版權所有
網站備案/許可證號：湘B2-20190120

客服

小程序

服務號

折疊

午夜网日韩中文字幕,日韩Av中文字幕久久,亚洲中文字幕在线一区二区,最新中文字幕在线视频网站