风格转换与多gpu云计算
什么是风格迁移?
通过样式迁移,您可以将一个图像的样式外观应用到第二个图像的场景内容。要了解更多关于样式转换的知识,请阅读文档示例使用深度学习的神经风格迁移. 图:基于深度学习的风格迁移现在,有些人可能会说风格转换并不新鲜,这是事实。事实上,我们在几年前展示了一个风格转换的演示。在这篇博客文章中阅读更多关于我们的原始演示:MATLAB演示在GTC:风格转移和名人的外观.新颖之处在于,通过使用更多硬件和相同的核心代码来加速计算成本高昂的演示;将通常只有每秒几帧的算法加速到速度为4倍的流媒体算法。事实上,我们的演示使用了云端的高端多gpu实例,每秒可以处理15帧。连接云机器
要运行样式转换演示,我们使用AWS连接到云Windows机器MathWorks云中心.如果您拥有MathWorks帐户、MATLAB许可证和AWS帐户,则可以利用MathWorks Cloud Center按需访问云中的Windows或Linux实例,其硬件远远超过您现在桌面上的硬件。第一次设置非常简单,重新启动实例也非常简单。最好的部分是,您对环境所做的所有更改都在重新启动之间保持不变。一次性的初始设置很快就会在重用中获得回报。 图:云上的Windows机器如果您不熟悉使用MATLAB在AWS上创建、管理和访问计算机,请参阅的文档开始使用云中心而且在AWS上使用Cloud Center启动MATLAB.GPU-Accelerated计算
我们使用程序设计师轻松构建一个专业外观的应用程序,它提供了一个集成的环境来加载帧,使用深度学习执行风格转换,利用一个或多个gpu,并显示结果。应用程序的关键方面和控制(从底部开始)是:- 样式输出FPS-帧率(帧/秒)的样式输出图像
- 风格网络预测时间重设一个输入帧的样式平均需要多长时间
- 风格网络预测率-每秒需要处理的帧数。当使用单个GPU时,应用程序应该能够以大约1/的速率处理t,在那里t是风格网络的预测时间。
- NumWorkers-我们池中并行工作的数量。每个worker可以使用一个GPU。我们在这个云实例上有4个gpu,所以我们选择了4个工作人员。使用4个gpu,我们每秒可以处理4倍的帧数。
- 线程池在一个MATLAB进程中创建多个工作者,以更有效地在工作者之间共享数据。
- parfeval将帧排队,以便在多个gpu上进行并行处理。
- afterEach将完整的帧数据从队列移动到应用程序的显示缓冲区。
- parallel.pool.Constant有效地管理线程工作者网络的构建和更新。
结论
如果你要来SC22,在我们的展位前停下来打个招呼,看看演示。如果你不能参加,请留下任何你想谈论的与超级计算有关的话题。- 범주:
- 深度学习
댓글
댓글을남기려면링크를클릭하여MathWorks계정에로그하거나계정을새로만드십시오。