Innehållsförteckning:
Artificiell intelligens och maskiner som kan lära sig är hur de saker vi använder varje dag kommer att förbättras. Google och Android är all-in med AI via Google Assistant och maskininlärning, så det är viktigt att veta hur backend fungerar, hur de kom dit och vilka typer av utrustning som gör allt möjligt. Och det är riktigt coolt också!
De människor som kommer att bygga framtidens teknik kommer att behöva verktygen för att göra det. Under 2017 gör NVIDIA sin del, och Jetson TX2 är förkroppsligandet av denna idé. Utvecklare behöver hårdvara som inte bara kan göra beräkningar och tänka (ja, jag säger det) som vår smartare framtid kommer att behöva, utan också är lätt att använda och distribuera.
AI vid kanten.
NVIDIA hänvisar till detta som "leverera AI vid kanten" och det är en lämplig beskrivning. TX2 är en komplett superdator. Det kan bearbeta data på egen hand på plats och tid som det faktiskt händer i stället för tusentals mil bort via internet. Vi tar anslutningar för givet på grund av det sätt vi använder det just nu, men det finns många fall där det är för länge att vänta på en daturresa från en smart maskin. Och en stor del av denna blå marmor som vi lever på har inte någon anslutning till internet och kommer inte så länge.
En liten dator som kan göra nästan vad som helst och bearbeta all information den samlar in själv är hur du hanterar dessa problem. NVIDIA verkar ha spikat det här.
Vad är det här för sak?
Detta är inte något du kan hitta på Best Buy för att använda för saker du gör med din telefon. Det kör inte Android (men det skulle verkligen inte vara svårt att fixa det) och det är något de flesta av oss inte kommer att köpa. Men det är fortfarande en mycket viktig del av de saker vi älskar.
Jetson TX2 är ett utvecklingsverktyg. Jetson TX2 är också en fältklar modul för att driva all AI-baserad utrustning. Det är en dator på ett kreditkort med alla in- och utgångar som en "vanlig" dator har. När du ansluter TX2-modulen till dess speciellt utformade bakpanel (som är en del av utvecklingspaketet) förvandlas den mest till en typisk liten formfaktor-dator komplett med alla portar och kontakter som ditt skrivbord också har.
Utvecklare kan använda detta för att bygga utrustning runt och faktiskt använda själva Jetson för att köra demonstrationer och simuleringar. Det är en kapabel liten maskin som kan göra alla beräkningar som något mycket större kan göra medan du använder en liten mängd kraft för att göra det. Tekniska specifikationerna är imponerande.
- NVIDIA Parker-serien Tegra X2: 256-kärns Pascal GPU och två 64-bitars Denver CPU-kärnor parade med fyra Cortex-A57-processorer i en HMP-konfiguration
- 8 GB 128-bitars LPDDR4 RAM
- 32 GB eMMC 5.1 ombord lagring
- 802.11b / g / n / ac 2x2 MIMO Wi-Fi
- Bluetooth 4.1
- USB 3.0 och USB 2.0
- Gigabit Ethernet
- SD-kortplats för extern lagring
- SATA 2.0
- Komplett multikanals PMIC
- 400-poliga höghastighets- och låghastighetsindustrin standard I / O-kontakt
Den bästa tekniska specifikationen är att Jetson TX2 är en stift för tappar som ersättning för förra årets Jetson TX1. Låt det sjunka in för lite - utvecklare som använder befintliga NVIDIA TX1-datorer för att driva hjärnan bakom deras utrustning kommer att kunna stänga av saker, dra det gamla kortet och sätta i det nya. Programvaran för TX1 kommer att uppdateras till samma programvara som TX2 använder så att det bokstavligen kommer att vara en minskning av ersättningen. Om du någonsin har gjort någon typ av fält- eller fabriksarbete på utrustning som kostar mycket pengar när det har någon driftsstopp, förstår du hur viktigt det är. Medan nästa generations utrustning utvecklas använder den hårdvara som fungerar 100% med den befintliga generationen.
Hemligheten här är genom NVIDIAs Pascal GPU-kärnor. Samma anledning till att Pascal-kärnor används i mycket avancerade videokort utformade för VR- och 4K 3D-spel är därför de används för Jetson TX2. GPU-kärnor är ett mer effektivt sätt att slå antal. De är snabbare och använder mycket mindre kraft.
Datorns heliga gral är konstgjord intelligens (AI): bygga en maskin så intelligent att den kan lära sig på egen hand utan uttrycklig instruktion. Djupt lärande är en kritisk ingrediens för att uppnå modern AI. Djup inlärning gör det möjligt för AI-hjärnan att uppfatta världen runt den; maskinen lär sig och fattar slutligen beslut av sig själv. Det är nu allmänt erkänt inom akademin och industrin att GPU: er är den senaste tekniken när det gäller att utbilda djupa neurala nätverk (DNN), på grund av fördelar med både hastighet och energieffektivitet jämfört med mer traditionella CPU-baserade plattformar.
NVIDIA GPU-datorer gör redan några fantastiska saker. De driver den djupa inlärningen som används för självkörande bilar, undervisar robotar mänskliga motoriska färdigheter som att gå och ta tag, analysera video i snabb hastighet för att ge texttexter och till och med spela Go. Och slå riktigt bra mänskliga motståndare.
GPU-kärnor kan göra samma arbete med mindre ström som traditionell CPU-dator.
Det verkliga testet av AI och hjärnan som kan driva det är i horisonten. Autonoma robotar och drönare utvecklas för jobb som industriell inspektion, bärbara medicinska apparater som kan tas i fältet för att hjälpa dem i nöd behövs desperat och till och med smarta säkerhetskameror som kan analysera vad de ser och vidta lämpliga åtgärder kommer snart att vara verkligheter. Dessa idéer behöver beräkningar som kan driva AI med djupa inlärningsalgoritmer och förmågan att analysera neurala nätverkssamlade data på egen hand. De kan inte anslutas till en kabel och kommer att användas på platser där till och med Verizon inte har någon täckning.
Förutom att den är kraftfull måste en dator som är utformad för att vara liten och bärbar vara energieffektiv. Testning visar (.pdf-fil) att NVIDIA GPU-baserad databehandling kan motsvara en Intel Core i7 6700K CPU och använda 6 watt effekt jämfört med 60. För utrustning som inte är ansluten till elnätet är det viktigt.
Vi använde några riktmärken med hjälp av AlexNet och GoogLeNet - CV-baserad programvaruklassificering och detekteringstestprogramvara och resultaten var fantastiska. I läget Max-P (högeffekt) kunde Jetson TX2 analysera i genomsnitt 641 bilder per sekund med hjälp av AlexNet Network medan han bara använde 13 watt effekt. GoogLeNet-testen var i genomsnitt 278 bilder per sekund medan de använde 14 watt effekt. Max-Q-tester (låg effekt) gjorde i genomsnitt 481 bilder per sekund på AlexNet och 191 bilder per sekund på GoogLeNet medan de bara använde 7 watt effekt. Detta är ungefär dubbelt så mycket som förra årets Jetson TX1 kunde leverera, och det var ganska bra på det också.
När du kan bearbeta information så snabbt och exakt på plats är en anslutning till molnet inte den begränsande faktorn som det brukade vara.
I labbet
Jetson TX2 borde vara mycket kapabel i fältet. Det är den första av nästa generations maskiner som kommer att lära sig genom att göra utan anslutning till molnet och en betydande uppgradering från befintlig utrustning. Men det har också funktioner som utvecklare kommer att älska.
Beräkningsmodulen med kreditkortsstorlek kan anslutas till ett komplett bärarkort som finns tillgängligt som en del av Jetson TX2-utvecklingspaketet. Bärarkortet använder de 400 I / O-stiften på Jetson-modulen för att tillhandahålla standard skrivbordsanslutningar. En programutvecklare kan använda ett standard USB-tangentbord och mus, en standardmonitor och Jetson TX2 för att skapa en komplett utvecklingsmiljö.
På ett Ubuntu 16.04-baserat Linux4Tegra-operativsystem ingår alla verktyg du kan behöva för att utveckla och felsöka AI-applikationer för djup inlärning som en del av NVIDIAs JetPack-programvara. Utvecklare kan ladda ner paketet från NVIDIAs utvecklingszon samt följa handledning och samhällskunskap för att se vad Jetson kan göra och sedan börja arbeta med sina egna idéer. Inkluderad programvara i JetPack är förkonfigurerad för att köra optimerad på TX2-processystemet:
- cuDNN - ett GPU-accelererat bibliotek med primitiv för djupa neurala nätverk.
- NVIDIA VisionWorks är ett mjukvaruutvecklingspaket för Computer Vision (CV) och bildbehandling.
- CUDA Toolkit - en omfattande utvecklingsmiljö för C- och C ++ -utvecklare som bygger GPU-accelererade applikationer.
- TensorRT - en högpresterande djup inlärningsruntid för bildklassificering, segmentering och neurala nätverk för objektdetektering.
- NVIDIA Nsight Eclipse - En fullständig och anpassad Eclipse IDE för utveckling, felsökning och profilering av CUDA-C-applikationer.
- Tegra System Profiler och Tegra Graphics Debugger - verktyg för att profilera och prova applikationer med OpenGL.
- De nödvändiga säkerheterna och tillgångarna för att utveckla och designa hårdvara med hjälp av NVIDIA Jetson TX2.
Att använda samma plattform för att bygga och felsöka alla applikationer är ett måste för allt intrikat och komplicerat. Det är ett av sätten utvecklare kan förenkla processen och allt som kan hjälpa till att göra saker enklare gör för lyckligare utvecklare. Jetson TX2 kanske inte är utformad som den enda utvecklings- och byggdator som någon grupp skulle använda, men att veta att den är kapabel är en välsignelse för installation och fältarbete. Att göra små justeringar och ändringar kan göras på Edge på samma sätt som behandlingen är utan att skicka data tillbaka till en annan datorbank för att bearbeta och returnera.
Utrustning kan utformas med hjälp av tillgängliga hårdvarutillgångar och ritningar för att inte bara minska komplexiteten utan för att möjliggöra ett enkelt gränssnitt med lätt tillgängliga kringutrustning och programvara. Beväpnad med en bärbar dator och en USB-kabel, har en ingenjör eller fälttekniker allt som behövs för att bygga om från grunden om det behövs.
NVIDIA Jetpack-programvaran innebär att utvecklare kan fokusera på sitt arbete och inte skapa en byggmiljö.
Till och med installationen av NVIDIAs Jetpack är effektiviserad. Granskarna fick en uppdaterad version att installera, och efter några enkla instruktioner genom ett smart GUI hade en fullständig ombyggnad av all programvara avslutats med bara några steg och en kopp kaffe. Återigen ser vi NVIDIA underlätta saker så att utvecklare kan fokusera på sitt arbete snarare än att bibehålla själva byggmiljön.
Efter några dagar med att sätta upp saker och testa allt, kom jag bort mycket imponerad av vad NVIDIA levererar här. Den första Jetson TX1 var en utmärkt produkt som fyllde ett behov av snabb utveckling med GPU-kärnor för att göra det tunga lyftet för neurala nätverksapplikationer. På mycket kort tid har NVIDIA lyft upp linjen med en efterföljare som kan bryta beroendet av molnet med samma bekanta utvecklingsverktyg och tekniker.
Framtidens teknik kommer att locka och inspirera oss alla. Produkter som Jetson TX2 är det som kommer att göra den framtiden möjlig. NVIDIA Jetson TX2 Developer Kit är priset till $ 599 för detaljhandeln och $ 299 för studenter.
Se på NVIDIA Embedded Developers portal
