背景介绍：

　　图像识别指用视觉传感器（摄像头）和计算机来模拟人眼和大脑，进行物体识别、跟踪和测量，进而做图形处理让计算机理解真实世界。图像识别技术有很多应用场景，如：人脸识别、拍照识别、物体识别等各种图像场景的识别。

　　基于深度学习的图像识别技术发展痛点

　　用来训练识别模型的样本数据不足

　　训练图像识别模型，需大量的样本数据多次迭代训练，数据须具有识别对象的基本特征，有不同的背景角度区分，数据样本越丰富，模型的识别精度越高。数据量积累不足，使得模型精准度往往不高。

　　图像识别算法不够先进

　　图像识别从最初的特征值抓取，发展到模式识别的边缘滤波，形态学检测经历了20年。现在主要停留在浅层训练的机器学习阶段，尽管模型可实现机器替代人，但算法无法自行迭代学习，仅算是样本训练的智能程序。

　　计算机集群性能不够，计算用时太长

　　算法执行需硬件架构的支撑，一个模型对海量的样本数据进行学习，在CPU上执行一般需几天甚至几个月，大大拉长了研发周期和拖慢产品进程。因此，先进的硬件计算架构是激活优秀算法的前提。

解决方案介绍：

　　基于深度学习的图像识别的软件解决方案

　　软件架构：MPI+Caffe

　　深度卷积神经网络（CNN）算法是深度学习领域普遍采用的神经网络构建模型，Caffe是目前最快的CNN架构。浪潮的集群版Caffe计算框架正是切中当下深度学习的迫切需求，它采用MPI技术对Caffe版本进行数据并行优化，该框架基于伯克利caffe架构进行开发，完全保留原始caffe架构的特性。即：纯粹的C++/CUDA架构，支持命令行、Python和MATLAB接口等多种编程方式，具备上手快、速度快、模块化、开放性等众多特性，为用户提供了最佳的应用体验。另外，鉴于众多用户基于CPU进行深度学习应用研究的现实，浪潮还可提供C-G算法迁移增值服务，针对用户目前的深度学习算法，做硬件适配性算法迁移和升级优化，帮助用户做到算法的更快，更好。硬件架构：IB网络+GPU集群+Lustre并行存储

　　以浪潮NF5568M4为代表的GPU服务器的产品，在同CPU计算力下， GPU配置数量比业内平均水平高出50%，且最高支持的单卡计算能力比业内主流水准高50%浪潮根据深度学习多并行，高I/O需求，设计出Lustre分布式并行存储系统和56Gb/s InfiniBand网络架构的横向扩展的GPU主从硬件集群架构，配合浪潮inspur-caffe架构实现了跨多节点的数据并行计算，该架构兼顾计算密集型，IO密集型等计算模型硬件需求特点，同时支持Pascal GPU，最大可实现超100个GPU卡并行计算。

　　该方案利用超级计算机设计思路，突破多机多卡并行计算I/O速率不足的技术瓶颈，在保证系统稳定性前提下，使高性能GPU计算能力得到充分发挥，帮助用户大幅提升线下模型训练速度，降低每个计算核心的TCO。配合浪潮MPI-Caffe架构的深度学习算法，用户在图像识别类应用上，实现高精度图像识别模型的快速训练，加速后期业务产品化进程。

　　实测显示，对1.3M张图片进行9层模型训练时，4颗E5-2699V3处理器的2台服务器需3天（72小时）方完成训练，使用浪潮4卡最新GPU软硬一体化解决方案只需不到9.5个小时就可以完成全部工作。

客户收益：

　　企业通过图像识别技术，建立物体、场景、人脸、着装、文档图片、视频内容等识别&搜索综合系统，通过多维度解读图片内容，挖掘数据价值，使产品运营团队更好地描绘用户画像，帮助企业实现更精准的营销推送，内容审核，大数据挖掘。

　　广泛应用于各类电商平台，视频直播平台，在线教育平台，大幅度提升产品&内容运营团队效率。在无人驾驶，家庭机器人，无人机，现实增强等前沿应用上提供嵌入式智能后台，以更加智能化的数据利用方式，增加用户粘度，扩展应用维度，激发更具想象力的用户体验。