エヌビディアが加速するディープラーニング~進化するニューラルネットワークとその開発方法について~NVIDIA Japan
NVIDIA Deep Learning Institute
2016年4月27日のNVIDIA Deep Learning Day 2016 Springの資料です。
エヌビディア合同会社 プラットフォームビジネス本部
ディープラーニングソリューションアーキテクト 兼
CUDA エンジニア 村上 真奈
[概要]
ディープラーニングは近年、画像認識の分野で、その高い認識精度から大変注目を集めている技術です。音声認識や自動運転など画像認識の分野以外への応用が進んでおり大変期待されています。本セッションは、日々新しい構造のモデルが提案され進化しているディープラーニングの概要とGPUが必要とされている理由について簡単に説明します。
その後に、実際にディープラーニングの開発のイメージを持って戴けるように、いくつかの代表的なディープラーニングのフレームワークを使い、デモしながら各フレームワークの特徴を解説します。ディープラーニングの最新の状況が知りたい、実際の開発の際にどのフレームワークを使うべきか知りたい、開発を始める前に開発のイメージを持ちたいという方に最適です。
エヌビディアが加速するディープラーニング~進化するニューラルネットワークとその開発方法について~NVIDIA Japan
NVIDIA Deep Learning Institute
2016年4月27日のNVIDIA Deep Learning Day 2016 Springの資料です。
エヌビディア合同会社 プラットフォームビジネス本部
ディープラーニングソリューションアーキテクト 兼
CUDA エンジニア 村上 真奈
[概要]
ディープラーニングは近年、画像認識の分野で、その高い認識精度から大変注目を集めている技術です。音声認識や自動運転など画像認識の分野以外への応用が進んでおり大変期待されています。本セッションは、日々新しい構造のモデルが提案され進化しているディープラーニングの概要とGPUが必要とされている理由について簡単に説明します。
その後に、実際にディープラーニングの開発のイメージを持って戴けるように、いくつかの代表的なディープラーニングのフレームワークを使い、デモしながら各フレームワークの特徴を解説します。ディープラーニングの最新の状況が知りたい、実際の開発の際にどのフレームワークを使うべきか知りたい、開発を始める前に開発のイメージを持ちたいという方に最適です。
2015年1月15日(金)開催のNVIDIA Deep Learning Day 2016 の講演資料です。
ディープラーニングという言葉を聞かない日がないほど、ディープラーニングは注目を集めています。このセッションでは、ディープラーニングとは何か、なぜ注目されるのか、GPUが必要とされる理由を基礎から分かり易くご紹介します。またエヌビディアがディープラーニングのために提供しているGPUおよびソフトウェア製品、ソリューションについてもご紹介します。
[db analytics showcase Sapporo 2017] B14: GPU コンピューティング最前線 by エヌビディア 佐々木邦暢Insight Technology, Inc.
GPUの演算能力を汎用的に活用する「GPUコンピューティング」が誕生してはや10年。多くのスーパーコンピューターに採用されるなど科学技術計算の領域で実績を積み重ねたこの技術は、近年のAIムーブメントを支える重要な存在になっています。高度な画像認識、自然言語処理、そして自動運転などますます複雑になる問題のために登場した Volta 世代の新型GPUをはじめ、GPUコンピューティングの最新情報をお伝えします。
주제 : AI를 이용한 외관검사프로세스의 트렌드
내용 :
● 일본의 제조업에서 공업제품 외관검사의 현실
● 공업제품의 AI 외관검사의 과제 및 해결방안
● 최근의 공업제품의 AI외관검사의 트렌드 및 주요 알고리즘의 소개
데모 사이트 : https://tomomiresearch.herokuapp.com/
Evaluation reports of various DC-DC converter products that are available in Japan. DC-DC converter is used to provide a stable output DC voltage to its load such as rechargeable battery. We have tested 5 types DC-DC converter samples which can be available in amazon.co.jp. As of 2016/12.
For more information, please visit the following site.
www.wireless-square.com
【DLゼミ】XFeat: Accelerated Features for Lightweight Image Matchingharmonylab
公開URL:https://arxiv.org/pdf/2404.19174
出典:Guilherme Potje, Felipe Cadar, Andre Araujo, Renato Martins, Erickson R. ascimento: XFeat: Accelerated Features for Lightweight Image Matching, Proceedings of the 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (2023)
概要:リソース効率に優れた特徴点マッチングのための軽量なアーキテクチャ「XFeat(Accelerated Features)」を提案します。手法は、局所的な特徴点の検出、抽出、マッチングのための畳み込みニューラルネットワークの基本的な設計を再検討します。特に、リソースが限られたデバイス向けに迅速かつ堅牢なアルゴリズムが必要とされるため、解像度を可能な限り高く保ちながら、ネットワークのチャネル数を制限します。さらに、スパース下でのマッチングを選択できる設計となっており、ナビゲーションやARなどのアプリケーションに適しています。XFeatは、高速かつ同等以上の精度を実現し、一般的なラップトップのCPU上でリアルタイムで動作します。
セル生産方式におけるロボットの活用には様々な問題があるが,その一つとして 3 体以上の物体の組み立てが挙げられる.一般に,複数物体を同時に組み立てる際は,対象の部品をそれぞれロボットアームまたは治具でそれぞれ独立に保持することで組み立てを遂行すると考えられる.ただし,この方法ではロボットアームや治具を部品数と同じ数だけ必要とし,部品数が多いほどコスト面や設置スペースの関係で無駄が多くなる.この課題に対して音𣷓らは組み立て対象物に働く接触力等の解析により,治具等で固定されていない対象物が組み立て作業中に運動しにくい状態となる条件を求めた.すなわち,環境中の非把持対象物のロバスト性を考慮して,組み立て作業条件を検討している.本研究ではこの方策に基づいて,複数物体の組み立て作業を単腕マニピュレータで実行することを目的とする.このとき,対象物のロバスト性を考慮することで,仮組状態の複数物体を同時に扱う手法を提案する.作業対象としてパイプジョイントの組み立てを挙げ,簡易な道具を用いることで単腕マニピュレータで複数物体を同時に把持できることを示す.さらに,作業成功率の向上のために RGB-D カメラを用いた物体の位置検出に基づくロボット制御及び動作計画を実装する.
This paper discusses assembly operations using a single manipulator and a parallel gripper to simultaneously
grasp multiple objects and hold the group of temporarily assembled objects. Multiple robots and jigs generally operate
assembly tasks by constraining the target objects mechanically or geometrically to prevent them from moving. It is
necessary to analyze the physical interaction between the objects for such constraints to achieve the tasks with a single
gripper. In this paper, we focus on assembling pipe joints as an example and discuss constraining the motion of the
objects. Our demonstration shows that a simple tool can facilitate holding multiple objects with a single gripper.
7. 7
2012 20142008 2010 2016 2018
48
36
12
0
24
60
72
Tesla
Fermi
Kepler
Maxwell
Pascal
混合精度演算
倍精度演算
3D メモリ
NVLink
Volta
GPU ロードマップ
SGEMM/W
8. 8
Register File
Scheduler
Dispatch
Scheduler
Dispatch
Load/Store Units x 16
Special Func Units x 4
Interconnect Network
64K Configurable
Cache/Shared Mem
Uniform Cache
Core
Core
Core
Core
Core
Core
Core
Core
Core
Core
Core
Core
Core
Core
Core
Core
Core
Core
Core
Core
Core
Core
Core
Core
Core
Core
Core
Core
Core
Core
Core
Core
Instruction Cache
Compute Capability (CC)
Kepler
CC 3.5
192 cores / SMX
Maxwell
CC 5.0
128 cores / SMM
Fermi
CC 2.0
32 cores / SM
Pascal
CC 6.0
64 cores / SMM
https://developer.nvidia.com/cuda-gpus
9. 9
Tesla K20x (CC 3.5)
2688 CUDA Cores
FP64: 1.31 TF
FP32: 6.95 TF
FP16: …
INT8: …
GDDR5
384 bit width
6GB
250 GB/s
10. 10
Tesla P100 SXM2 (CC 6.0)
3584 CUDA Cores
FP64: 5.3 TF
FP32: 10.6 TF
FP16: 21.2 TF
INT8: …
HBM2
4096 bit width
16 GB
732 GB/s
11. 11
Tesla P100 SXM2 (CC 6.0)
3584 CUDA Cores
FP64: 5.3 TF
FP32: 10.6 TF
FP16: 21.2 TF
INT8: …
HBM2
4096 bit width
16 GB
732 GB/s
SM
CUDAコア
.
.
.
12. 12
TESLA P100: The Engine for Deep Learning
New GPU Architecture to Enable the World’s Fastest Compute Node
NVLink
PCIe
Switch
PCIe
Switch
CPU CPU
GPU Interconnect for Maximum
Scalability
Page Migration Engine
Simple Parallel Programming with
Virtually Unlimited Memory
Unified Memory
CPU
Tesla
P100
Pascal Architecture
Highest Compute Performance
CoWoS HBM2
Unifying Compute & Memory in
Single Package
13. 13
[TESLA P100] FP16: 16-bit floating point
IEEE 754 compliant
• 16-bit
• sign:1-bit, exponent:5-bits, fraction:10-bit
• Dynamic range: 240
• Normalized values: 2-14 ~ 65504 (≈216)
• Subnormal at full speed
s e x p m a n t i s s a.
USE CASES
Deep Learning
Image Processing
Sensor Data
14. 14NVIDIA CONFIDENTIAL. DO NOT DISTRIBUTE.
[TESLA P100] FP16: 16-bit floating point
•2-way SIMD
•2x FP16 in a 32-bit register
•Memory footprint: Half of FP32
•Instructions
• Add, Sub, Mul
• Fma (Fused Multiply and Add)
•4 arithmetics per cycle
•2x faster than FP32
cuda_fp16.h
Reg A
Reg B
FP16Reg C FP16
FP16 FP16
FP16 FP16
op op
32 bit
cuBLAS cuDNN
30. 30
w
x y
w
x y
w
x y
レイヤー1
01000
“dog”
レイヤー2
入力
出力レイヤーN
ロス
関数
00010
“cat”
正解ラベル
x[N] y[M]
w[N][M]
順伝播(フォワードプロパゲーション)
誤差逆伝播法
31. 31
w
x y
w
x y
w
x y 01000
“dog”
00010
“cat”
ロス
関数
error⊿y⊿x⊿y⊿x⊿y
⊿w⊿w⊿w
逆伝播(バックプロパゲーション)
誤差逆伝播法
レイヤー1 レイヤー2
入力
出力レイヤーN 正解ラベル
32. 32
w
x y
w
x y
w
x y 01000
“dog”
00010
“cat”
ロス
関数
error⊿y⊿x
⊿w
⊿y⊿x
⊿w
⊿y
⊿w
www
重みの更新
誤差逆伝播法
レイヤー1 レイヤー2
入力
出力レイヤーN 正解ラベル
33. 33
w
x y
w
x y
w
x y “dog” “cat”
ロス関数
error⊿y⊿x
⊿w
⊿y⊿x
⊿w
⊿y
⊿w
“cat” “dog”
“human” “monkey”
“tiger” “lion”
ミニバッチ
誤差逆伝播法
レイヤー1 レイヤー2
入力
出力レイヤーN 正解ラベル