看点：谁说部署深度学习环境要几周？NGC让开发者分分钟开启创新大业。
AI算法的发展衍生出各种各样的深度学习软件，复杂的软件环境使得安装、测试、调优、维护的步骤繁琐且耗时长，加上版本变化快速的深度学习开源框架，令无数开发者饱受为大量琐碎部署和维护工作的煎熬。
在这样的背景下，NVIDIA推出针对深度学习和科学计算优化的GPU加速云平台NVIDIA GPU Cloud（NGC），通过免费提供NVIDIA优化的深度学习框架和HPC应用软件镜像，让用户不再需要自己动手做软件集成，不需要自己调试，就能快速实现深度学习常用软件和应用的部署。
NGC让开发者不再受限于台式机和服务器，还可以在云端快速开启深度学习和高性能计算之旅，而且没有升级版本的后顾之忧。如今阿里云、谷歌云、AWS、微软Azure等主流云服务提供商均已支持NGC。
本期的智能内参，我们对NVIDIA GPU Cloud加速医学影像机器学习模型开发及应用部署白皮书进行解读，看NVIDIA GPU Cloud如何将医疗AI开发者从低效繁复的软件部署和优化流程中解放出来，分分钟就能上手做开发。如果想查阅此白皮书《NVIDIA GPU Cloud加速医学影像机器学习模型开发及应用部署》，可直接点击左下方的“阅读原文”下载。
搭建服务器步骤繁琐，开发者深受其痛
人工智能（AI）正在快速渗透医疗健康领域，带动了医疗界对实现精准医疗的空前热情。一批企业开始在医学影像AI的研发与应用中投入极大的热情，翼展医疗集团亦是佼佼者之一。
为了推动AI落地医疗，翼展打造了人工智能开放协作平台，然而搭建服务器的道路却有些复杂。
起初，因为能提供GPU实例的公有云厂商还很少且相对性价比不高，翼展选择自己采购硬件搭建服务器，然而令多数开发者头大的难题接踵而至。
首先是不同驱动版本的兼容问题。在配置一台双Titan X卡的工作站后，翼展按照网上教程开始一步步安装，ubuntu、NVIDIA显卡驱动程序、CUDA、cuDNN，结果最后编译Caffe时，才发现库版本不对。一切安装流程又要重新来过，足足耽搁了一周才开始模型训练。
其次是运维中的机时分配问题。翼展在上8卡服务器时，选择将操作系统和底层驱动都交给第三方厂商来配置好，但团队成员及项目的增加给运维带来新的挑战——每个成员的项目和使用的模型不同，底层依赖的框架版本也不一致。
当时应对这一问题，翼展设置了严格的规章制度来划分用户空间，并随后选用公有云的GPU实例，但在公有云上安装配置好环境依然花费了不少时间。
最后是框架和库版本的更新问题。机器学习框架版本快速迭代，不同模型依赖的框架和库版本不同，致使手工式的管理方式难度越来越大。
而NVIDIA GPU Cloud（NGC）的出现让这些问题迎刃而解。
如今，像翼展这样借助NGC高效开展深度学习的案例比比皆是。除了医疗健康之外，NGC在深度学习和高性能计算快速生长的自动驾驶、医疗健康、金融服务等领域正在大面积铺开。
开箱即用的NGC容器，极简步骤加速模型开发
在去年台北举办的GTC上，NVIDIA创始人兼CEO黄仁勋表示，截至当时，已经有2万家公司已经下载了NGC。深受开发者欢迎的NVIDIA GPU Cloud（NGC）究竟是什么？它又是如何做到简化部署流程呢？
NGC是一个针对深度学习和科学计算优化的基于GPU加速的云平台，但不同于传统的云平台，NGC更像是提供一个定期更新和优化的容器仓库，供用户免费下载使用其中的容器。
容器即是对软件依赖库进行打包封装，可以实现软件环境的有效隔离，方便用户快速部署自己所需的软件。
▲NVIDIA GPU Cloud平台
目前NGC包括45个容器镜像，包含NVIDIA优化的主流深度学习框架、第三方管理的高性能计算（HPC）应用程序和HPC可视化工具，以开箱即可用的方式交付用户。
NVIDIA每月都会对NGC上的库、驱动和容器进行优化，并在深度学习框架基础上提供一系列高性能计算可视化应用容器，以其可重复性和可移植性，方便用户在最短时间内启动和运行。
NGC使用步骤非常简单，在官网注册用户、生成访问NGC的Key并登陆后，就可以在NGC平台下载到主流深度学习框架、开源HPC应用软件和可视化软件的容器镜像，通过运行一个docker pull命令免费下载。
如果用户不想使用容器，还可以将容器中编译安装好的软件拷贝到物理机上运行，同样可以节省软件安装和编译的时间。
▲NVIDIA GPU Cloud支持的基础设施类型
