人脸识别系统搭建与面部生成算法在线研讨会

GPU新架构下人脸识别的训练与推理目录案例分享人脸识别现状全新GPU加速AI训练和推理AI加速软件及硬件推荐人脸识别现状人脸识别面临的问题人脸识别现状人脸识别定义人脸识别现状2. 基于多姿态/表情的人脸识别人脸识别研究的发展阶段。探索能够在一定程度上适应人脸的姿态和表情变化的识别方法，以满足人脸识别技术在实际应用中的客观需求动态跟踪人脸识别人脸识别研究的实用化阶段。通过采集视频序列来获得比静态图像更丰富的信息，达到较好的识别效果，同时适应更广阔的应用需求三维人脸识别为了获得更多的特征信息，直接利用二维人脸图像合成三维人脸模型进行识别人脸识别系统，是指不需要人为干预，能够自动获取人脸图像并且辨别出其身份的系统1. 基于简单背景的人脸识别人脸识别研究的初级阶段，利用人脸器官的局部特征来描述人脸人脸识别流程人脸图像获取人脸检测定位人脸区域人脸特征预处理特征抽取对比识别人脸特征库人脸识别流程数据采集数据处理识别计算结果人脸识别-图像预处理图像预处理图像去噪：受前端数据获取途径的影响，噪声通过多少方式融入，严重的情况会直接导致整幅图像的不清晰，图象中的景物和背景的混乱增强对比度：为了使人脸在图像中更为突出以便于下一步的特征提取，常见的有直方图均衡化和“S”形变换二值化：图像经过灰度变换后仍然是比较复杂的，需要将多层次的灰度图像进行简化锐化：使用梯度微分锐化图像时，会使噪声、条纹等得到增强基于模板的方法：固定模板匹配法，变形范本法等基于特征的方法：基于器官特征的方法，基于肤色的方法等人脸检测与定位基于外观学习的方法：隐马尔科夫模型等自适应性提升算法：Adaboost方法：Haar特征，积分图人脸识别-特征提取与人脸识别人脸特征提取常用方法:人脸特征提取：特征提取之前一般需要做几何归一化和灰度归一化的工作。前者是指根据人脸定位的结果将图像中的人脸区域调整到同一位置和大小；后者是指对图像进行光照补偿等处理，以克服光照变化的影响统计特征：统计特征即用统计的方法对目标对象的肤色、光照变化等因素建模灰度特征：灰度特征包括轮廓特征、灰度分布特征(直方图特征、镶嵌图特征等)、结构特征、模板特征等1.利用变形模板进行特征提取。2.变换域中的特征提取；3.几何特征点的提取；人脸识别-特征提取与人脸识别1

模板匹配方法：弹性模板匹配是根据待检测人脸特征的形状信息（通常利用小波特征）2几何特征方法：基于几何特征的人脸识别方法将人脸用一个几何特征矢量表示，用模式识别中的层次聚类思想设计分类器来对人脸进行识别3特征脸方法：主成分分析(PCA)导出的一种人脸识别和描述技术4神经网络方法：神经网络是利用大量简单处理单元（神经元)互联构成的复杂系统来解决识别问题人脸识别方法：人脸识别面临的问题机器视觉处理器能力不足机器视觉算法数据集越来越大相机及传感器发展受限更高分辨率与更小光源的社会需求如何准确地高速的识别目标如何有效的增加存储容量如何有效的组织出相关算法大型数据下存储的选择-数据量大型数据下计算的选择-GPU服务器大型数据下软件的选择-多用户场景AIMAX全新GPU加速AI训练和推理大型数据下存储的选择-数据量分辨率码率小时天周月8K(7680*4320)120Mbps52.8GB1265.4GB38.8TB162.6TB4K（4096*2160）90Mbps39.6GB948GB6.48TB27.1TB2k(2560*1920)20Mbps8.8GB210.9GB1.44TB6.18TBQXGA(2048*1536)13Mbps5.7GB137GB960GTB4TBQXGA(2048*1536)9Mbps4GB95GB665GTB2.78TBUXGA(1600*1200)8Mbps3.5GB84.4GB591TB2.47TB1600*9127Mbps3.1GB73.8GB516TB2.16TB1280*9606Mbps2.6GB63.3GB443TB1.85TB720P(1280*720)6Mbps2.6GB63.3GB443TB1.85TBVGA(640*480)1.5Mbps0.67GB15.8GB110.6TB0.474TB图像采集分辨率下所需的存储空间（1psc）

假如采用一个Epoch的数据量为8K

一小时数据，数量100个，重复50次，读取需要26000G的数据，重复500次，则需要260000G数据。像素大小30万130万200万500万分辨率（长*宽）640*4801280*10241600*12002480*2048精度估算值1/5001/10001/12001/2000图像采集像素与分辨率的对应关系大型数据下存储的选择-分布式存储高速以太网/IB交换机10GbE-100GbE/100GbE-200GbE节点间数据高速互通充分实现低延迟，高带宽的高效网络存储节点4U服务器，冗余电源，性能稳定单台最高可支持600+TB容量分布式存储系统，支持N+M纠删码或双/三副本等数据保护方式可扩展的架构，支持海量数据存储动态在线扩展，容量和性能平滑扩增大型数据下存储的选择-用户价值海量数据存储分布式架构全对称式设计数千节点扩展能力存储容量可达EB级可选副本和纠删码机制N+M纠删码或双/三副本等灵活选择保障数据安全数据高可靠支持RDMA协议网络低延时高带宽传输网络高文件并发访问效率可扩展的元数据节点高效元数据检索策略亿级文件带宽及IO平稳高读写性能海量小文件性能无衰减FP645.2

teraFLOPSFP64Tensor

Core10.3

teraFLOPSFP3210.3

teraFLOPSTF32Tensor

Core82teraFLOPS|165

teraFLOPS*BFLOAT16Tensor

Core165teraFLOPS|330

teraFLOPS*FP16Tensor

Core165teraFLOPS|330

teraFLOPS*INT8Tensor

Core330TOPS|661

TOPS*INT4Tensor

Core661TOPS|1321

TOPS*媒体引擎1

个光流加速器(OFA)1

个JPEG解码器

(NVJPEG)4

个视频解码器(NVDEC)GPU

显存24GB

HBM2互联PCIeGen4:

64GB/s第三代

NVLINK：200GB/s多实例

GPU

(MIG)4

个GPU

实例，每个6

GB2

个

GPU实例，每个

12GBeach1

个GPU实例，24

GBNvidiaTesla

A30Nvidia

Tesla

A30加速性能图像训练图像推理AI

训练

-

吞吐量比

v100

高

3

倍，比

T4

高

6

倍AI

推理

-

在实时图像分类中，吞吐量比

T4

高出

3

倍以上大型数据下计算的选择-GPU服务器塔式服务器（基础）双路第三代英特尔®

至强®

可扩展处理器2-4片Tesla

GPU卡片16根DDR4

DIMM双千兆网口/万兆双路第三代英特尔®

至强®

可扩展处理器8-10片Tesla

GPU卡片32根DDR4

DIMM双千兆网口/万兆机架式服务器（进阶）视觉计算面临的资源痛点GPU价格昂贵，是否被充分利用，有无闲置？GPU资源利用率是多少，是否能多个用户共享？Cuda、Cudnn版本众多、更新快，如何兼容？Tensorflow、PyTorch、MxNet众多框架如何选择、共存？深度学习框架众多，训练如何可视化？如何做多机多卡训练？模型如何优化、如何部署并对外提供服务?多个用户的环境和数据之间能否做到相互隔离？互相不冲突？针对大规模的神经网络，如何实现分布式训练？如何提高性能？大型数据下软件的选择-多用户场景AI

MAX用户资源分配整体资源监控创建私有数据空间自定义镜像空间容器化技术，快速部署兼容各种主流机器学习框架分布式和单机版训练，适应各种场景内置多种交互式开发工具细粒度的用户管理，满足用户多种需求分布式存储支持IB高速网络和RDMA，数据读写效率高自主知识产权、源代码自主管理7*24小时稳定运行超融合一体机-核心特性高速以太网交换机10GbE-100GbE节点间数据高速互通充分实现低延迟，高带宽的高效网络融合节点2U服务器，支持ARM架构国产芯片或最新英特尔®至强®处理器每节点配置24块全闪存SSD，开启极致性能可配置GPU，大幅提升异构计算力超融合一体机-用户价值安全稳定超融合架构双/三副本机制3节点即构建环境自动化运维平台便捷高效开箱即用厂内调试预装用户开箱即用异构兼容兼容x86/ARM等架构支持GPU等异构设备未来之路-液冷服务器对比项液冷风冷散热原理高导热材质平面贴合发热元件表面，将热量传导至水路，液体携带热量传输至冷却端，完成散热高导热材质平面贴合发热元件表面，通过热管把热量分散在鳍片上，结合风扇完成散热导热能力(相同环境条件下)液体导热能力是空气的25倍（