2020年GTC中国线上大会嘉宾演讲PPT资料合集（共144套打包）

更新时间：2021-02-07 报告数量：144份

大会演讲PPT

报告合集目录

报告预览

全部
- 5G+ 电信
  - 红帽开源软件助力电信行业 GPU 应用.pdf
  - GPU 加速 5G 基站的的 DICT 融合.pdf
  - 助力 5G 和边缘计算深入了解 Cloud XR.pdf
  - 基于 5G 车路协同智慧公交解决方案.pdf
  - GPU 加速开源 5G.pdf
  - 中国电信 5G 边缘计算推动产业互联网发展.pdf
  - 中国移动九天人工智能平台 GPU 推理实践.pdf
  - Rivermax- 带您轻松跨入超高清视频的 IP 时代.pdf
  - NVIDIA 加持的 5G 云部署.pdf
  - GPU 加速中国电信 Spark 大数据处理.pdf
  - DPU 加速 5G.pdf
  - 5G 时代统一的边缘云网建设.pdf
- GPU 开发与工具
  - 深入理解 Nsight System 与 Nsight Compute 性能分析优化工具.pdf
  - NVIDIA 的 BERT 量化方法与工具.pdf
  - Bagua！并行通讯库.pdf
  - 网络计算技术加速 GPU 应用.pdf
  - TensorRT Onnx Parser 使用案例分享.pdf
  - 加速基于 GPU 的 Top-K 计算.pdf
  - 模型量化训练 TensorRT 部署实践.pdf
  - GPU 推理中的数据格式全局优化算法.pdf
  - CUDA 11 新特性介绍.pdf
  - CUDA Graph 在 TensorFlow 中的应用.pdf
  - 面向机器学习的开发环境 CodeLab 介绍.pdf
  - Faster Transformer 3.0 编码器的 INT8 量化实现.pdf
- 高性能计算
  - 基于 GPU 加速的矩阵离散元方法实现与应用.pdf
  - 全新 NVIDIA A100 80GB GPU 加速超大规模 HPC 和 AI 应用.pdf
  - RDMA 在分布式存储中的应用.pdf
  - 超算集群网络管理神器 — UFM Cyber-AI.pdf
  - 基于 CPU-GPU 异构平台的第一性原理密度泛函理论高性能计算.pdf
  - CUBE：高可扩展宇宙学 N 体问题模拟程序.pdf
  - 脑研究之利器：基于 NVIDIA GPU 的全脑尺度直接可视化方法.pdf
  - HPC 应用性能分析和调优.pdf
  - GPU 加速 Paradigm 解决方案.pdf
- 加速数据科学
  - 如何在 GPU 上进行海量数据流的 ETL 处理.pdf
  - 使用 GPU 加速 XGBOOST 在 SPARK 集群上的分布式训练.pdf
  - 使用网络 RDMA 技术为 SPARK 架构加速.pdf
  - 使用 RAPIDS 加速 APACHE SPARK 3.0.pdf
  - NVIDIA 以太网产品加速数据科学应用.pdf
  - GPU 加速 python 计算.pdf
  - 基于 GPU 的数据科学与分析加速库 RAPIDS- 概览与更新.pdf
- 深度学习平台及应用
  - 智能钛机器学习平台计算优化实践.pdf
  - 使用 Triton 优化深度学习推理的大规模部署.pdf
  - 腾讯“开悟”游戏 AI 平台在 TensorRT 上的最佳实践.pdf
  - 高阶信息如何加速神经网络训练？.pdf
  - 用 NVIDIA Jarvis 来构建你的语音助理.pdf
  - 机智深度学习训练平台及应用.pdf
  - 预训练时代的机器翻译.pdf
  - 基于 GPU 的机器翻译推理性能优化.pdf
  - TurboTransformers：高效的 Transformer 线上推理系统.pdf
  - 语音技术效率优化实践.pdf
  - Whale：统一多种并行化策略的分布式深度学习框架.pdf
  - 基于 Tensor Core 的 CNN INT8 定点训练加速.pdf
  - 安全 AI 平台 GPU 实践和思考.pdf
  - Hammer：一体化的模型压缩和 NAS 引擎框架.pdf
  - Apache MXNet 2.0：连接深度学习与传统机器学习.pdf
  - MULTI-INSTANCE GPU（MIG）深度学习最佳用法示例.pdf
  - Eva 平台在深度学习训练和推理上的实践和优化经验.pdf
  - 如何快速搭建全 GPU 加速的 AI 应用.pdf
  - FastSpeech：高效语音合成的算法设计及优化.pdf
  - GPU 在向量搜索中的应用.pdf
  - 飞桨推理引擎性能优化.pdf
  - Lightseq：GPU 高性能序列推理实践.pdf
- 推荐系统
  - 将 HugeCTR Embedding 集成于 TensorFlow.pdf
  - PLE — 一种新的分层萃取多任务学习网络结构.pdf
  - 推荐系统推理性能优化在“双十一”中的应用.pdf
  - 性能提升 7 倍 + 的高性能 GPU 广告推荐加速系统的落地实现.pdf
  - Vearch 的 GPU 方案在海量向量检索系统上的应用创新.pdf
  - GPU 加速的数据处理在推荐系统中的应用.pdf
  - 爱奇艺使用 GPU 加速 CTR 模型训练的实践.pdf
  - Merlin ： GPU 加速的推荐系统框架.pdf
  - 高性能网络加速智能推荐系统.pdf
  - Merlin HugeCTR ：深入研究性能优化.pdf
  - NVIDIA 助力构建安全和高效的推荐系统.pdf
  - 多标签分类：汉明损失和子集精度真的相互冲突吗？.pdf
  - Merlin NVTabular：基于 GPU 加速的推荐系统特征工程最佳实践.pdf
- 游戏开发
  - 逆水寒的 DX12 和 RT 实践.pdf
  - 深度学习在写实游戏开发中的应用.pdf
  - 在游戏中实现光线追踪百万光源.pdf
  - 实时光线追踪开发指南.pdf
  - 基于 RTX Server 的 GPU 光照烘焙系统.pdf
  - 游戏引擎中实时光线追踪的进展：全局照明、焦散与透明.pdf
  - VRS & DLSS 在水银引擎中的应用.pdf
  - DLSS 2.0 — 基于深度学习的超采样技术介绍.pdf
  - PhysX 5 的最新研发进展及其在 Omniverse 中的应用.pdf
  - RayTracing 在堡垒之夜中的改进和应用.pdf
  - Machinima：游戏玩家自己的游戏视频创作工具.pdf
- 云计算和消费者互联网
  - 在 Apache Flink 中使用 GPU 来完成机器学习任务.pdf
  - 使用现代网络理念构造开放数据中心.pdf
  - 智能网络加速 5G 云服务.pdf
  - 构造开放的网络基础设施加速现代数据中心.pdf
  - 透过 Azure HPC 架构打造高效能 AI 云端运算.pdf
  - 腾讯 GPU 云服务器打造云端高性能 AI 解决方案.pdf
  - 基于模型的 GPU 性能估算及其在深度学习运算性能优化上的应用.pdf
  - 人的视觉感知技术：人脸关键点、手部姿态估计、人体深度估计.pdf
  - GPU 助力普惠 AI 家居设计.pdf
  - 基于人眼主观视觉的画质评价与提升.pdf
  - 新一代全闪 SDS 存储系统.pdf
  - 软硬一体 — 使用阿里云 GPU 云服务器加速智能计算.pdf
  - 大规模分布式 GPU 图嵌入在腾讯的实践之路.pdf
  - SOLO ：简单高效的视觉实例分割和识别框架.pdf
  - 从系统层面提升 GPU 利用率.pdf
- 智慧金融
  - 分布式人工智能与金融应用.pdf
  - GPU 数据库在不同行业中的应用.pdf
  - NVIDIA 网络打造超低时延证券解决方案.pdf
- 智慧医疗和生命科学
  - NVIDIA Clara Guardian 助力构建智慧医院.pdf
  - GPU 赋能长读长基因测序.pdf
  - 基于眼表图像的 COVID-19 快捷风险筛查.pdf
  - GPU 技术在放射治疗领域的科学研究.pdf
  - 3D 医疗影像数据深度学习高效训练与推理架构.pdf
  - AI 技术在医疗健康领域的应用探索.pdf
- 专业图形和 GPU 虚拟化
  - 虚拟化场景下 GPU 应用的网络优化.pdf
  - Quadro 助力 GPU 加速的多投影机变形融合.pdf
  - 通过 kata 容器在 kubernetes 集群中支持 vGPU.pdf
  - 广电流媒体使用 Quadro 助力机器学习自动化.pdf
  - 从行星到街道——现代 GPU 的海量数据渲染.pdf
  - OMNIVERSE 平台与三维动画流程.pdf
  - GPU 加速工程设计与仿真.pdf
  - NVIDIA vGPU 在 Ampere GPU 上的新特性和飞跃.pdf
  - XR 进化！从 DLSS 到 Cloud XR.pdf
  - NVIDIA Ampere 构架带来 vGPU 新特性.pdf
  - GPU 加速家居产业效率变革.pdf
- 自动驾驶
  - NVIDIA DRIVEWORKS SDK 中强大的实时传感器数据采集和回放工具助力自动驾驶开发.pdf
  - NVIDIA Drive Sim 帮助解决无人驾驶预期功能安全问题.pdf
  - 乘用车自动驾驶产业生态与协作.pdf
  - 构建中国特色仿真环境.pdf
- 自主机器和边缘计算
  - 深度学习在京东物流无人配送车感知的应用.pdf
  - 基于 AI 的工业缺陷检测与分类创新实践.pdf
  - 智能物流机器人 — 小蛮驴.pdf
  - 面向智慧交通场景的边缘感知系统.pdf
  - 从云到边：边缘智能开启 AI 新时代加速行业落地.pdf
  - Livox 感知系统在 Jetson AGX Xavier 上部署的实践.pdf
  - 无人机电力巡检图像 AI 处理系统的创新与应用.pdf
  - 基于 Jetson 设备构建可信边缘计算.pdf
  - NVIDIA 以太网赋能下一代边缘云网络.pdf
  - 实现室内自主移动机器人（AMR）的挑战.pdf
  - NVIDIA Jetson 赋能 AI无处不在.pdf
  - 基于 Jetson 的点云加速及在自主机器的应用.pdf
  - 人工智能赋能服务机器人.pdf
  - NVIDIA Jetson 助力智能车辆装备领域的人工智能应用.pdf
  - 多尺度 Jetson AI 端到端解决方案.pdf
  - DPU 加速边缘计算.pdf
  - GPU加速戴口罩人脸识别.pdf
  - AI 赋能线下零售.pdf
  - NVIDIA ISAAC 机器人平台 — 从仿真到部署的机器人解决方案.pdf

请点击导航文件预览

资源包简介：

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、通过kata容器在kubernetes集群中支持vGPU 周威（腾讯IEG）2020/11 目录 GPU虚拟化概述与kata集成方案 device plugin 开发原有GPU架构 Kubeletnvidia-device-plugin GPU Pod Pod Pod driver library volume GPUGPU Runtime(RunC) GPU的虚拟化根据我们的监控数据，很多情况下用户申请了GPU 资源却并不能将GPU用满，而GPU作为一种宝贵的计算资源，如果能通过一些手段让多个用户共享一块 GPU卡的话无疑能节省很多成本。现有的GPU虚拟化方案主要有MPS和GRID 两种方案方案MPSGRID 原理容器中的多个cuda进程共享 GPU context，母机上。

3、乘用车自动驾驶产业生态与协作德赛西威曾迪技术趋势 L0 L1 L2 L3 L4 L5 2030 手、眼控制手、眼控制手可偶尔离开控制眼可偶尔离开控制手离开控制眼离开控制手离开控制意识离开控制手离开控制离开驾驶无自动化辅助控制纵向、横向辅助驾驶纵向、横向协同驾驶接受请求自动驾驶不接受请求无人驾驶技术趋势自动驾驶 L0 无自动化 L1 辅助控制 L2 辅助驾驶 L3 协同驾驶 L4 自动驾驶 L5 无人驾驶低速 LKA ACC TJA RAW FCTA RCTA BSD RCW FCW AEB RAEB TSR HWA DMS LDW 高速拥堵驾驶高速驾驶代客泊车倒车后视全景影。

4、构建中国特色仿真环境鲍世强 | 51WORLD研发总监 Shiqiang Bao, R&D Director, 51WORLD 51WORLD介绍我们是一家以计算机图形学为基础的中国原创科技公司。公司横跨物理模拟，工业仿真，人工智能，大数据，云计算等技术领域，为智慧城市、汽车及交通、智能制造、房地产等行业提供全球领先的数字孪生产品和服务。 51WORLD数字孪生全要素场景（L1-L5） L2 中仿真场景L1 初仿真场景L5 全要素场景L4 超仿真场景L3 高仿真场景城市网格城市建筑建筑细节道路标线花草树木地形地貌道路细节拟真场景交通信号纹理细节路网街区地表绿植动态车流。

5、从行星到街道现代GPU的海量数据实时渲染吴亚光目标目标全域可远观，可漫游多样的环境渲染多源的海量数据的实时显示全域可远观，可漫游全域可远观，可漫游 ScalabilityScalability 观察距离从1米到32公里（最大可到行星轨道）最终提交的三角形数和DC数量符合预算可以支持任意的场景大小（最大可到行星大小）支持最大1km/s相机地表高速运动渲染系统预算三角形 1.5亿 Vertex buffer + Index buffer 3GB Memory Draw-calls 5000 贴图 2GB Memory Total Data 200 亿个 Draw-calls 200 万次贴图数据 20 GB Total Data 300GB 解。

6、NVIDIA Omniverse Platform !#$%&#$%& 沈映 NVIDIA Omniverse Platform !#$%&#$%& 沈映内容大纲内容大纲数字内容创意行业面临的挑战应对挑战的解决方案：NVIDIA OMNIVERSE平台介绍欧特克软件应用中的GPU加速 USD：新一代数据标准和流程 MAYA和ARNOLD的USD应用欧特克软件利用OMNIVERSE平台实现团队协同设计的初步尝试数字内容创意行业面临的挑战一：数字内容创意行业面临的挑战一：大数据大数据模型数量和精细度画幅尺寸贴图精细度视觉效果动力学解算数据量动画数据量数字内容创意行业面临的挑战二：数字内容创意行业面临的。

7、GPU助力工程设计与仿真丁海强首席技术官 Ansys 中国 2020年12月 GTC 中国线上大会当今技术变革的速度是前所未有的，并且还在不断加速数码相机 0.01 兆像素 2kg $10,000 Steven Sasson 1976 2019 10000 x 分辨率 1000 x 减重 1000 x 价格降低 2019 ICBM 惯导系统陀螺仪 25 kg $50 million 1960年代手机陀螺仪: $3 产品设计部门面临着越来越大的压力 Source: E, The Aberdeen Group 产品研发面临的最大挑战产品复杂度更高运行环境复杂多变开发资源受限更难产生竞争差异对设计失败的容忍度更低 40% 36% 36% 31% 21% 设计周期 2 2。

8、Neo Jia, Dec 2020 NVIDIA VGPU 在 AMPERE GPU 上的新特性和飞跃 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实例上的吞吐性能 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 正式发布任何时间任何地点使用vGPU。

11、GPU加速为家居软件技术带来新体验三三维维家家产品专家产品专家曹健曹健营销量尺设计下单审单拆单排产生产仓储配送安装售后线下地推线上营销设计师审单员拆单员排产员车间工人仓储员司机安装工售后客服行业链条长参与角色多上下游强依赖产业现状 ? ? ? ? ? ? ? ? ? ? ? ? ? ? SaaSSaaS ? SaaSSaaS ? SaaSSaaS ? SaaSSaaS ? ? ? ? ?CAM?NCG?CAM ?CAM?CAM ?CAM?CAM 3D? DMS? ? ? ? ? ? ? ? ?BIM ? ? ? 三维家云设计软件三维家生产软件全球家居产业互联网平台 200万+ 设计师定制家居企业工厂企业合作高校认证教师。

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赋能长读长基因测序演讲人：谢丹、卓远 PART 01 纳米孔基因测序技术什么是基因基因基因是产生一条多肽链或功能RNA所需的全部核苷酸序列储存着种族、血型、孕育、生长、凋亡等过程的全部信息是遗传的基本单元，通过复制，把遗传信息传递给下一代指导蛋白质的合成来表达自己所携带的遗传信息，从而控制生物个体的性状表达基因组生物体所有遗传物质的总和，这些遗传物质包括DNA或RNA DNA与RNA DNA 脱氧核苷酸，由碱基、脱氧核糖和磷酸构成碱基组成有4种：腺嘌呤（A）、鸟嘌呤（G）、胸腺嘧啶（T）、胞嘧啶（C） DNA 为双螺旋。

14、分布式人工智能与金融应用王静逸目录分布式人工智能的发展概要金融业大规模人工智能计算的痛点与需求分布式人工智能如何赋能金融业未来展望金融科技领域-分布式人工智能的需求概要随着金融科技领域的不断发展，特别是云计算、大数据、区块链、分布式、人工智能、物联网的发展，单一的计算机无法完成这样的巨大的计算工作，特别在AI领域，传统的人工智能计算效率已经远远无法满足业务的快速发展。而在物联网领域，随着智能互联的发展，多个智能设备之间的协作也变得更加紧密，人工智能的发展，逐步也在往边缘计算领域发展，万物。

15、GPU数据库在不同行业中的应用数据库在不同行业中的应用上海雅捷信息技术股份有限公司上海雅捷信息技术股份有限公司 2003年，公司成立 2015年，股份制改造 2016年，新三板挂牌 2018年，新三板退市上海：总部南昌、合肥：研发中心美国硅谷：研发中心致力于大数据高速并行加工处理服务和产品聚焦：大数据平台智能证券服务工业仿真 AI数据服务历程场地业务典型的硬件配置 NVIDIA GPU-accelerated solution 上海雅捷业务简介原型原型应用应用落地落地功能持续功能持续强化强化 01 GPU数据库原型 -DT 1.0 2013年雅捷工程师开。

16、复旦大学大数据学院眼表图像检测实现人体疾病风险筛查眼表图像检测实现人体疾病风险筛查 COVID-19 eye test 付彦伟青年研究员付彦伟青年研究员核心团队基于眼表病理特征对特定疾病基于眼表病理特征对特定疾病进行快捷风险检测及健康评估进行快捷风险检测及健康评估AIAI平台平台眼表疾病筛查输入 Image Preprocessing DL-based Classification Network 模型输出 COVID-19 Pulmonary Healthy Ocular 系统模型框架内测版App 算法借鉴“眼表望诊学”先验知识参考文献：太平圣惠方眼论秘传眼科龙木论龙木总论仁斋直指方论望目辩证诊断。

17、感谢您下载包图网平台上提供的 PPT作品，为了您和包图网以及原创作者的利益，请勿复制、传播、销售，否则将承担法律责任！包图网将对作品进行维权，按照传播下载次数进行十倍的索取赔偿！基于大数据和人工智能的基于大数据和人工智能的放疗自动化系统研究放疗自动化系统研究海创时代（深圳）医疗科技有限公司 2020年11月汇报人：朱其奎博士算法总监感谢您下载包图网平台上提供的 PPT作品，为了您和包图网以及原创作者的利益，请勿复制、传播、销售，否则将承担法律责任！。

18、在Apache Flink中使用GPU来完成机器学习任务郭旸泽阿里巴巴/ 开发 1 陈戊超阿里巴巴/ 开发 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医疗影像数据深度学习高效训练与推理架构北京安德医智科技有限公司杨春宇博士/算法总监/国家万人计划领军人才医疗影像数据医疗影像数据医疗影像数据基本特点数据维度： 2D、3D、3D多序列、2D视频、3D视频、3D视频多序列采集效率：毫秒级到数十分钟数据尺寸：典型512长*512宽*数百层*数个序列数据体量：特定病种几例到几十万例病例数据质量：数据需专业团队标注，高水平医生标注/审核，工作量巨大小样本/半监督/无监督学习算法重获重视，但仍不成熟医疗影像辅助诊断中常用的AI技术目标检测：器官粗定位，微小病灶的筛。

20、1 陈龙, 高级市场开发经理 2020.December NVIDIA网络打造超低时延证券解决方案 2 构建最快的交易系统降低拥塞时延低时延线缆低时延网卡低时延交换机 3 时延分布 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技术在医疗健康领域的应用探索技术在医疗健康领域的应用探索 Tencent AI Healthcare 2 腾讯AI Lab发展历程目前有超过目前有超过 70 70 位位AIAI科学家和科学家和 300300 位工程师位工程师 2016.4 成立腾讯 AI Lab 2017.5 成立腾讯 AI Lab 西雅图实验室 2018.3 成立腾讯机器人实验室 2018.8 成立AI医疗中心 2019.4 进入AI药物研发领域 3 AI赋能医院/医师目标：实现目标：实现AIAI与医疗产业的深度结合，提高社会整体医疗水平与医疗产业的深度结合，提高社会整体医疗水平定位定位 AIAI赋能药企赋能药企：打造：打造AIAI辅助新药辅助。

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、腾讯GPU云服务器，打造云端高性能AI解决方案宋丹丹腾讯云异构计算产品负责人目录 Part1 覆盖全业务场景的GPU云服务器解决方案 Part2 新技术架构&新产品发布 Part3 Case Study 目录 Part1 覆盖全业务场景的GPU云服务器解决方案 Part2 新技术架构&新产品发布 Part3 Case Study 1、腾讯云GPU服务器发展历程 2016年12月 GPU云服务器发布 2017年9月 GN8(P40)、 GN9(V100)实例发布 2018年10月 GN10X(V100)发布 2019年9月 GN7(T4)发布 2020年1月 vGPU上线 2020年11月 GT4（A100）发布腾讯云虚拟化平台 1、腾讯云异构计算全景 pGPU直通深度学。

26、Model-basedCostEstimationon GPU 2020 金跃 andits application in deeplearningoperationoptimizations * 仅限内部交流使用，如果需要公开，请联系文档作者 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 。

展开阅读全文

云闲专家认证

该用户很懒，什么也没介绍

2020年GTC中国线上大会嘉宾演讲PPT资料合集（共144套打包）

报告合集目录

报告预览

相关合集

其他合集