NVIDIA DGX dzirkstele nav tradicionāls GPU modelis, bet gan kompakts AI superdators, kuru darbina Nvidia GB10 Grace Blackwell Superchip. Šajā superchip ietver Blackwell GPU ar piektās paaudzes tensora kodoliem un atbalsta FP4, kas ir optimizēts AI darba slodzēm, piemēram, precīzai noregulēšanai un secinājumiem. Kaut arī pati DGX dzirkstele nav GPU modelis, tā GPU komponents ir paredzēts, lai apstrādātu prasīgus AI uzdevumus, ieskaitot tos, kurus var vadīt ar TensorFlow.
TensorFlow var izmantot tādās sistēmās kā DGX Spark, kas atbalsta AI attīstību un izvietošanu. Tomēr Tensorflow īpašā savietojamība ar DGX Spark GPU nav skaidri detalizēta attiecībā uz tradicionālajiem GPU modeļiem. Tā vietā DGX dzirkstele ir paredzēta, lai nemanāmi darbotos ar NVIDIA pilna kaudzes AI platformu, ļaujot lietotājiem izstrādāt un izvietot AI modeļus lokāli vai mākonī ar minimālu pielāgošanu.
Tensorflow darbināšanai NVIDIA GPU parasti var izmantot jebkuru NVIDIA GPU, kas atbalsta CUDA. DGX Spark's GPU ir daļa no Grace Blackwell arhitektūras, kas ir optimizēta AI uzdevumiem un kurā ir tādas funkcijas kā NVLink-C2C starpsavienojuma tehnoloģija uzlabotai atmiņas joslas platumam. Šī iestatīšana efektīvi veicina TensorFlow un citu AI ietvaru vadīšanu, lai gan tai var būt nepieciešams izmantot NVIDIA pielāgoto DGX OS, kas balstās uz Ubuntu Linux.
Rezumējot, lai gan DGX Spark neizmanto tradicionālu NVIDIA GPU modeli, piemēram, GeForce vai Quadro sēriju, tā integrētais Blackwell GPU ir savietojams ar AI ietvariem, piemēram, TensorFlow, pateicoties tā atbalstam NVIDIA AI orientētām tehnoloģijām un programmatūras kaudzei.
Atsauces:
[1.]
[2] https://nvidianews.nvidia.com/news/nvidia-announces-dgx-park-and-dgx-station-personal-ai-computers
[3.]
[4] https://nvidia-merlin.github.io/merlin/main/support_matrix/support_matrix_merlin_tensorflow_training.html
[5] https://www.nvidia.com/en-us/ai-data-science/spark-ebook/gpu-accelerated-park-3/
[6.]
[7] https://www.reddit.com/r/cuda/comments/1fcal2c/soo_can_i_train_ai_models_tensorflow_etc_using_my/
.
[9] https://www.tensorflow.org/guide/gpu