NVIDIA GTC 2023简单解读，硬件部分更新了什么，服务器有哪些新配置，新增的5款配置和显卡

最新推荐文章于 2024-05-18 18:01:00 发布
最新推荐文章于 2024-05-18 18:01:00 发布
阅读量2.1k 收藏
点赞数
分类专栏： Windows 文章标签： 网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/LingLing1301/article/details/129700906
版权

首先就是首发H100 NVL显卡，相比H100 PCIe显卡，显存提升至96GB HBM3e，由两个H100 PCIe组成，通过三个NVLink 4互连，也就是H100 NVL具有188GB显存，显存位宽6144位，显存速率7.8TB/s，使用两个PCIe 5.0 x16接口连接，也就是四槽位，功耗700W

H100 NVL的性能比两个H100 SXM是要高的，而且是满血的GH100核心，但是问题是，H100 NVL是两张卡组成的，每张卡96GB显存，但两张卡加到一起就只有188GB显存，而不是192GB显存

尽管是两张卡，但功耗却不变，和单块H100 PCIe一样是700W，这种情况下，H100 NVL的频率要比H100 PCIe高，所以功耗低的情况下性能依旧有提升

然后就是更新了4种规格的服务器配置

首先就是L4 - 120X配置，由8块L4显卡组成，性能大概相当于RX 6800，双槽CPU，单个L4是24GB显存，72W功耗，带宽300GB/s，配备双槽CPU，其他参数暂时未知

然后就是L40配置，搭配8块L40显卡，单块性能比RTX 4090高10%左右，同时配备了Connect-X7网卡，其他配置未知

然后就是H100 NVL配置，搭配4块H100 NVL(8块显卡)，单块性能比RTX 4090高11%左右，同时配备了Connect-X7网卡，其他配置未知，这个应该是目前最好的配置了

然后就是Grace Hopper - 10X配置，搭载两个BlueField-3 DPU和两个Grace Hopper(H100+Garce CPU)，其他配置未知

然后就是新的NVIDIA OVX配置，搭载4块L40显卡和1个BlueField-3 DPU，配备双槽CPU，其他未知

其他内容就是在GTC 2023上重新介绍了DGX H100，Grace SuperChip(两个Grace CPU)，Grace Hopper(Grace CPU+H100)，还有BlueField-3 DPU

然后就是H800显卡，是H100显存带宽砍半的产品，互连速率限制在300 GBps，H800显卡为专供国内版

关于软件或者其他部分，这篇文章没有提及，大家想知道可以看这个：Nvidia GTC 2023 Keynote Live Blog

【目标检测01】真实框、预测框、锚框和交并比IoU
老王的博客
10-24 1802
目标检测的主要目的是让计算机可以自动识别图片或者视频帧中所有目标的类别，并在该目标周围绘制边界框，标示出每个目标的位置，如图所示。
【什么是epoch、batch、batchsize、iteration？什么是真实框、预测框和锚框】
qq_29960631的博客
03-07 6672
1、几句话搞懂什么是epoch、batch、batchsize、iteration 2、几句话搞懂目标检测中的边界框、真实框、预测框和锚框
Pytorch机器学习（九）—— YOLO中对于锚框，预测框，产生候选区域及对候选区域进行标注详解
lzzzzzzm的博客
10-06 2万+
Pytorch机器学习（九）—— YOLO中锚框，预测框，产生候选区域及对候选区域进行标注 目录 Pytorch机器学习（九）—— YOLO中锚框，预测框，产生候选区域及对候选区域进行标注 前言 一、基本概念 1、边界框（bounding box） xyxy格式 xywh格式 2、锚框（anchor box） 3、预测框（predictionbox） 中心目标生成 长宽生成 4、对候选区域进行标注 objectness标签 location标签 label标签 .
计算机视觉（一）—— 目标检测和边界框
Mortal's blog
11-11 1万+
文章目录1. 什么是目标检测2. 目标检测大致思路2.1 边界框2.2 合理的边界框？2.2.1 某一种锚框的生成方法2.2.2 锚框的评定2.2.2 预测每个锚框中的物体2.2.2.1 预测物体类别2.2.2.1 训练集中的锚框参考链接 1. 什么是目标检测 在图像分类任务里，假设图像里只有一个主体目标，并关注如何识别该目标的类别。然而，很多时候图像里有多个我们感兴趣的目标，我们不仅想知道它们的...
pytorch学习笔记（四十）：目标检测与锚框
逐梦er的博客
08-13 1万+
文章目录1.目标检测2. 边界框3.锚框3.1 生成多个锚框3.2 交并比3.3 标注训练集的锚框3.4 输出预测边界框 1.目标检测 在图像分类任务里，我们假设图像里只有一个主体目标，并关注如何识别该目标的类别。然而，很多时候图像里有多个我们感兴趣的目标，我们不仅想知道它们的类别，还想得到它们在图像中的具体位置。在计算机视觉里，我们将这类任务称为目标检测（object detection）或物体检测。 目标检测在多个领域中被广泛使用。例如，在无人驾驶里，我们需要通过识别拍摄到的视频图像里的车辆、行人、道路
锚框(anchor box)/先验框(prior bounding box)概念介绍及其生成
qq_46110834的博客
12-19 4万+
一.锚框(anchor box)/先验框(prior bounding box) 在众多经典的目标检测模型中，均有先验框的说法，有的paper(如Faster RCNN)中称之为anchor(锚点)，有的paper(如SSD)称之为prior bounding box(先验框)，实际上是一个概念，特此说明。 1.锚框的作用 对于目标检测任务，有这样一种经典解决方案：遍历输入图像上所有可能的像素框，然后选出正确的目标框，并对位置和大小进行调整就可以完成目标检测任务。这些进行预测的像素框就叫目标框。这些目标框通
边框回归(Bounding Box Regression)详解
热门推荐
南有乔木NTU的博客
08-31 20万+
Bounding-Box regression最近一直看检测有关的Paper, 从rcnn， fast rcnn, faster rcnn, yolo, r-fcn, ssd，到今年cvpr最新的yolo9000。这些paper中损失函数都包含了边框回归，除了rcnn详细介绍了，其他的paper都是一笔带过，或者直接引用rcnn就把损失函数写出来了。前三条网上解释比较多，后面的两条我看了很多pape
bounding box 与 ground truth
最新发布
04-02
### Bounding Box 和 Ground Truth 的定义及其在目标检测中的关系 #### 定义与作用 Bounding box（边界框）是指围绕目标对象的一个矩形区域，通常由四个参数表示：左上角的坐标 \((x_1, y_1)\)、右下角的坐标 \((x_...
根据所标注的Ground Truth值，将方框显示在原图像上（Ground Truth的可视化）的相关代码
qq_45271744的博客
11-27 1695
根据所标注的Ground Truth值，将方框显示在原图像上（Ground Truth的可视化）的相关代码 转载请注明出处！！！ import cv2 data_path = r".txt" #文本文档所在目录 image_path = "fish" #图片所在目录，文件的路径请用“/”，而不是“\” with open(data_path) as fb: #将数据逐行读取 lines = fb.re
深度学习笔记——锚框
qq_73355475的博客
01-26 2419
目标检测算法通常会在输入图像中采样大量的区域，然后判断这些区域中是否包含我们感兴趣的目标，并调整区域边界从而更准确地预测目标的真实边界框不同的模型使用的区域采样方法可能不同。这里我们介绍其中的一种方法：以每个像素为中心，生成多个缩放比和宽高比（aspect ratio）不同的边界框。这些边界框被称为锚框。
【目标检测】概念理解：region proposal、bounding box、anchor box、ground truth、IoU、NMS、RoI Pooling
kentocho的博客
11-14 9103
本文主要对region proposal、anchor box、bounding box、bounding box regression、ground truth、IoU、NMS、RoI Pooling 这些名字进行解释，随后附上RCNN、Fast RCNN、Faster RCNN的实现步骤。
【从零开始学习深度学习】46. 目标检测中锚框的概念、计算方法、样本锚框标注方式及如何选取预测边界框
阿旭的博客
01-12 2628
【从零开始学习深度学习】46. 目标检测中锚框的概念、计算方法、样本锚框标注方式及如何选取预测边界框
深度学习——锚框（笔记）
jbkjhji的博客
12-21 1323
算法的操作是先提出一些框，在锚框里有没有关注的物体。如果有关注的物体，锚框慢慢调整到真实边缘框的位置。“学习的过程是在各位置上都学习一个正确的锚框，预测的时候，只要物体出现，网络就知道在哪里标上正确的bbox”锚框的偏移就是关联边缘框的偏移，偏移量根据锚框和真实边缘框的相对位置以及大小进行标记）挑选出来，假设x23，那么将边缘框3中的标号给锚框2，删除X23所在的行和列。A是锚框 B是边缘框 分子是交集，分母是并集。以此类推，直到所有的边缘框与对应的锚框关联。①列：标注好的边缘框，4列表示4个边缘框。
深度学习目标检测术语(持续跟新)
qq_55880505的博客
05-18 1569
深度学习机器学习目标检测卷积神经网络CNN术语
锚框(anchor box)/先验框(prior bounding box)概念以及yolov3中的使用
weixin_62848630的博客
09-15 5361
关于先验框，有的paper(如Faster)中称之为anchor(锚点)，有的paper(如SSD)称之为prior bounding box(先验框)，实际上是一个概念。在训练的时候往往是把先验框缩放到相对于特征图的大小，在推理时会把特征图上调整后的先验框，即预测框，放大到原图大小。
anchor roi boundingbox proposal 解释
shi_xin的专栏
01-28 583
ground truth：指标注框 anchor：指人为初始给的先验框，一般在二阶段检测器的RPN阶段或者在一阶段检测器中设置 proposal：指的是二阶段方法中RPN的输出框，也就是对anchor第一次做回归得到的结果 ROI：指RPN阶段输出的proposal经过排序取topk，然后做nms取一定数量的框，用于第二阶段的再次精修；在RCNN ，Fast RCNN方法中指通过选择性搜索生成的框 bounding box：指proposal经过再次精修后的预测框 ...
人脸检测 Retinaface - GT框（ground truth box）与 先验框（prior box）之间是如何匹配的
二分掌柜的
05-21 6575
OpenPose（2019）4 5.3、推理运行时分析（Inference Runtime Analysis） 在此基础上，我们比较了3种最先进、维护良好、应用广泛的多人位姿估计库OpenPose、Mask R-CNN和Alpha-Ppose，分析了图12中3种方法的推理运行时性能。Megvii(Face++)和MSRA[44]GitHub库不包含它们使用的人检测器，并且只提供GitHub库不包...
【目标检测】基础知识：IoU、NMS、Bounding box regression
qq_41931453的博客
07-05 1026
1. IoU IoU(Intersection over Union)，即交并比，是目标检测中常见的评价标准，主要是衡量模型生成的bounding box和ground truth box之间的重叠程度，计算公式为： 更直观的图像化表示： 2. Non-maximum suppression NMS(Non-maximum suppression)，即非极大值抑制，在目标检测中的出镜率也很高呀。在目标检测中，不论是最初的region proposal，还是后来的anchor box，不可避免的一个问题就
目标检测（二）先验框与锚框
shijun0525的博客
12-19 3107
目标检测（二）先验框与锚框开始一· 先验框二· 生成先验框总结 开始 内容参考：Datawhale Task02: 练死劲儿-网络设计 一· 先验框 关于先验框，有的paper(如Faster RCNN)中称之为anchor(锚点)，有的paper(如SSD)称之为prior bounding box(先验框)，实际上是一个概念。通常，为了覆盖更多可能的情况，在图中的同一个位置，我们会设置几个不同尺度的先验框。这里所说的不同尺度，不单单指大小，还有长宽比。 二· 生成先验框 我们铺设了很多的先验框，我们先
真实框和预测框统计的英文
01-18
### 地面实况边界框与预测边界框统计 在目标检测领域，地面实况边界框（ground truth bounding boxes）是指标注数据集中由人工精确标记的目标位置矩形区域。这些边界框提供了对象的真实位置信息，在评估模型性能时作为标准参照。 对于预测边界框（predicted bounding boxes），这是指通过训练好的神经网络对测试图片进行推理得到的对象定位结果。为了衡量预测框相对于实际框的位置准确性，通常会计算两者之间的交并比（Intersection over Union, IoU）。IoU 是一种广泛使用的度量方法来评价两个边界框重叠程度的好坏[^1]。 除了 IoU 外，还可以考虑其他一些统计数据： - **中心点偏移**：测量预测框中心坐标与真实框中心坐标的距离差异。 - **宽高比例误差**：比较预测框宽度/高度同真实框相应维度的比例差距。 - **置信度得分分布**：分析不同阈值下正样本被正确识别的概率密度函数曲线变化情况。 此外，损失函数的选择也会影响最终输出的质量。例如，在某些实现中可能会采用 L1 Loss 或者 GIoU Loss 来优化回归任务中的边界框拟合效果[^2]。 ```python def calculate_statistics(gt_boxes, pred_boxes): """ 计算一组真实框和预测框间的多种统计指标 参数: gt_boxes (list): 真实框列表 [(x_min,y_min,x_max,y_max)] pred_boxes (list): 预测框列表 [(x_min,y_min,x_max,y_max,score)] 返回: dict: 含有各项统计信息的结果字典 """ stats = {} ious = [] center_offsets = [] for gt_box, pred_box in zip(gt_boxes, pred_boxes): # Calculate IOUs between ground truths and predictions intersection_area = max(0,min(pred_box[2],gt_box[2])-max(pred_box[0],gt_box[0])) * \ max(0,min(pred_box[3],gt_box[3])-max(pred_box[1],gt_box[1])) union_area = ((pred_box[2]-pred_box[0])*(pred_box[3]-pred_box[1]) +(gt_box[2]-intersection_area) iou = intersection_area / float(union_area) ious.append(iou) # Compute offset from prediction to GT centers dx = abs((pred_box[0]+pred_box[2])/2-(gt_box[0]+gt_box[2])/2) dy = abs((pred_box[1]+pred_box[3])/2-(gt_box[1]+gt_box[3])/2) center_offset = math.sqrt(dx*dx + dy*dy) center_offsets.append(center_offset) avg_iou = sum(ious)/len(ious) if len(ious)>0 else 0. avg_center_offset = sum(center_offsets)/len(center_offsets) if len(center_offsets)>0 else 0. stats['average_IOU'] = round(avg_iou,4) stats['avg_center_distance'] = round(avg_center_offset,4) return stats ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值