隨著資訊科技的發展，人們已進入了大資料時代，構建叢集對海量資料進行分散式計算與儲存已成為一種共識，影象識別領域也同樣如此。影象識別指用視覺感測器（攝像頭）和計算機來模擬人眼和大腦，進行物體識別、跟蹤和測量，進而做圖形處理讓計算機理解真實世界。影象識別技術有很多應用場景，如：人臉識別、拍照識別、物體識別等各種影象場景的識別。

中國電子科學研究院北京某所，主要從事影象識別演算法研究，並提供影象識別服務，是視覺領域值得信賴的科研力量。其憑藉在計算機視覺領域多年的研究積累，以獨特的影象檢索和演算法，能有效提升識別的精準度。

而該研究所基於深度學習的影象識別技術卻面臨計算機叢集效能不夠，計算用時太長的問題。演算法執行需硬體架構的支撐，一個模型對海量的樣本資料進行學習，在CPU上執行一般需幾天甚至幾個月，大大拉長了研發週期和拖慢產品程序。因此，先進的硬體計算架構是啟用優秀演算法的前提。

為此，寶德為該研究所提供了基於深度學習的影象識別軟硬體解決方案。以寶德PR4908P為代表的GPU伺服器產品，在同CPU計算力下，GPU配置數量比業內平均水平高出一半，且能夠支援8張GPU卡；採用寶德雙路伺服器PR2510P為管理節點，提供先進的管理功能和儲存技術，具有可靠的擴充性和高可用性。寶德根據深度學習多並行，高I/O需求，設計出分散式並行儲存系統和56GB/s InfiniBand網路架構的橫向擴充套件的GPU主從硬體叢集架構，配合Caffe架構實現了跨多節點的資料平行計算，該架構兼顧計算密集型，IO密集型等計算模型硬體需求特點。

寶德AI加速伺服器PR4908P

寶德通用雙路伺服器PR2510P

該方案突破了多機多卡平行計算I/O速率不足的瓶頸，在保證系統穩定性前提下，使高效能GPU計算能力得到充分發揮，幫助使用者大幅提升線下模型訓練速度，降低每個計算核心的TCO。配合Caffe架構的深度學習演算法，使用者在影象識別類應用上，實現高精度影象識別模型的快速訓練，加速後期業務產品化程序。

該所的研究人員表示，我們需要更多人工智慧和大資料在影象識別問題上的典型應用，來拉動人工智慧進一步深度應用。這是相輔相成的，空喊方法，不形成規模化、典型應用，是解決不了問題的。而寶德基於深度學習的影象識別軟硬體解決方案帶來強大算力滿足了我們對高效能計算的需求，相信在高算力的驅動下，我們的影象識別技術將更加領先。