应用领域:
主要针对生物信息学、计算化学、计算金融、计算流体力学、计算结构学、数据科学、安防监控、电子设计自动化、感觉与计算机视觉、机器学习、医学成像、数值分析、天气与气候等传统高性能计算(HPC)领域的应用。
深度学习应用模式采用大数据+深度神经网络模型相结合,以GPU集群方式对数据或深度网络模型进行并行化,加速程序执行效率。利用GPU来加速深度学习,训练深度学习网络,可以充分发挥GPU数以千计的计算核心高效并行计算能力,在使用海量数据训练数据场景下,所耗费时间大幅缩短,占用的服务器也更少。采用GPU集群作为基础架构搭建深度学习/机器学习平台,已成为目前该领域首选解决方案。
|
|
芯片组 |
|
内存 |
|
|
|
|
|
|
|
2x 2.5“ 热插拔 NVMe |
|
Raid |
|
|
|
|
|
|
|
1 PCI-E 3.0 x8 (single-width) |
|
|
|
|
|
|
|
1 Fast UART 16550 header |
|
|
|
|
|
|
|
|
|
最大数量: 2
最大数量: 16
最大数量: 10
最大数量: 10
最大数量: 1
最大数量: 1
最大数量: 6
|
|
芯片组 |
|
内存 |
|
|
|
|
|
|
|
2x 2.5“ 热插拔 NVMe |
|
Raid |
|
|
|
|
|
|
|
1 PCI-E 3.0 x8 (single-width) |
|
|
|
|
|
|
|
1 Fast UART 16550 header |
|
|
|
|
|
|
|
|
|