Недавно я разместил заказ на комплект для разработки NVIDIA Jetson Nano, так как в Китае его нет на складе, его получение займет некоторое время. Я собирал актуальную информацию в эти дни, и теперь я перевожу статью, представляющую NVIDIA Jetson Nano: NVIDIA Jetson Nano, Raspberry Pi на стероидах. Оригинальный адрес:blog.raccoons.not fast/NVIDIA-jets…, слегка порезанный.
После тестирования USB-накопителя Google Coral на прошлой неделе мы также рассмотрели NVidia Jetson Nano на этой неделе.
первый раз из коробки
Что в коробке?
В коробке есть Jetson Nano... Этот ответ немного короткий, поэтому давайте поговорим о том, что же такое Jetson Nano:
В основном это то, что NVidia использует для противодействия Coral Edge TPU, выпущенному Google, который нацелен на запуск искусственного интеллекта (EdgeAI) на периферии. Интересно, что способ достижения вычислительной мощности для обработки больших моделей совершенно другой.
Основные характеристики Jetson Nano: четырехъядерный процессор ARM Cortex-A57, 4 ГБ оперативной памяти LPDDR4, графический процессор Maxwell с 128 ядрами CUDA.
NVIDIA
В чем разница?
Если Google Coral TPU представляет собой ASIC (специальную интегральную схему), то NVidia Jetson представляет собой процессор ARM в сочетании со 128-ядерным графическим процессором, что является более традиционным и абстрактным устройством.
ASIC, абстракция, что?
Устройство абстракции — это устройство, которое может делать много разных вещей и имеет множество применений. Вместо этого ASIC были разработаны только для одной цели. Но: Конечно, ничего не дается бесплатно, как и Jetson, что сопряжено с затратами на эффективность. Судя по данным, найденным в Интернете, Coral показывает гораздо лучшие результаты при использовании MobileNet V2, а Jetson Nano потребляет больше энергии, чем Google Coral. Но MobileNet V2 в настоящее время является единственной сетью, в которой может работать Coral. (Поскольку это ASIC, он запускает только разработанную для него модель, также доступна пользовательская сетевая компиляция с помощью компилятора Google)
Я мог бы написать еще один блог о сравнении Jetson Nano и Coral Edge TPU, и я думаю, что это интересная история.
Сравнение - Источник: NVIDIA
Да, при использовании MobileNet для обнаружения объектов он уступает Google Coral с точки зрения производительности. Но дело не в этом, дело в том, что это мощный 64-битный ARM со 128-ядерным GPU. Он может запустить что угодно. Я установил и протестировал TensorFlow-GPU, как и любую другую настольную систему с графическим процессором NVIDIA с поддержкой CUDA.
Анекдот, чтобы показать, насколько он мощный: сегодня я забыл свой макбук и решил поработать над Jetson Nano. Да, часть пользовательского интерфейса ОС кажется немного менее отзывчивой, чем macOS на моей старой рабочей лошадке, но все задачи машинного обучения выполняются быстрее благодаря ускорению CUDA.
пробная дорога
Операционная система Jetson Nano (JetPack, Ubuntu 18.04 LTS), похоже, не имеет предустановленного TensorFlow. Конечно, большинство необходимых пакетов можно легко установить через pip или apt-get.
Правильно определить классификацию Пикачу с графическим процессором
в заключении
NVIDIA Jetson Nano выглядит как хорошо спроектированный продукт, маленький, крутой и мощный. Я почти уверен, что вскоре будет легко перенести некоторые проекты ИИ с рабочего стола, но использовать его сложнее, чем Google Coral. Но я думаю, что его следует сравнивать с Raspberry Pi (как следует из названия): это продукт, подобный RPi! Я действительно с нетерпением жду, чтобы поработать над ним, и у меня есть предчувствие, что сочетание его с USB-накопителем Coral будет довольно сексуальным! Я думаю, что это позор, что TensorFlow не создан заранее, что упрощает начало работы.
Сегодня я сначала проведу тестирование производительности, где сравню Jetson Nano, Raspberry Pi, RPi + Coral, Jetson Nano + Coral и настольный i7 + GTX1080, используя MobileNet V2 для классификации изображений, следите за обновлениями!
Источник: NVIDIA