我们无法阻止自然灾害，但可以利用GPU加速深度学习免遭伤害.doc

《我们无法阻止自然灾害，但可以利用GPU加速深度学习免遭伤害.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、我们无法阻止自然灾害，但可以利用GPU加速深度学习免遭伤害　　科学家利用GPU助力降低自然灾害风险　　然而哈维只是一个开始。厄玛、何塞、玛利亚、奈特和奥菲莉娅-仅仅在五个多星期的时间内，已使得2017年大西洋飓风季成为历史记录以来极为严重的一季。这是自1893年以来第一次连续有10个风暴达到飓风强度，在有记录的飓风历史中是第四次。如果不知道强大风暴的袭击地点，政府官员们常常会为群众疏散问题而大伤脑筋。何时疏散？疏散哪一地区的居民？这都是值得深究的问题。　　　　德克萨斯州国民警卫队队员在飓风哈维袭击期间从被洪水淹没的房屋中

2、营救一个家庭　　在地球的另一端，韩国的科学家团队正在利用GPU加速深度学习帮助人们免遭伤害。　　韩国科技信息研究院(KISTI)高性能计算研究室主任MinsuJoh说：“我们无法阻止自然灾害，但如果掌握了正确的信息，我们可以在更大程度上降低风险。”　　疏散还是不疏散？　　韩国经常受台风困扰，台风是强度与飓风或热带气旋等同的高强度风暴。这个词的使用取决于地理位置-在大西洋和太平洋东北地区称为飓风，在太平洋西北地区称为台风，在南太平洋和印度洋称为气旋。　　据美国国家航空航天局(NASA)地球气象站介绍，除了风暴变得更加频繁之

3、外，气候变化也正在加剧飓风等与天气有关的自然灾害。一些研究表明不断升温的海洋也将导致更多强台风。　　Joh和KISTI团队将深度学习技术与相对传统的天气预测方法相结合，研发出由数值天气模型打造的GPU加速超级计算机，来提高台风预测的速度和准确性。如果科学家能够更精准地确定风暴的路径和强度，权威机构便可以准确而及时的下令将人们疏散到安全的地方。　　疏散某个地区的数百万人口并不是一件小事，因此，政府官员通常会犹豫不决，怀疑警报的准确性。而且，疏散有可能比待在原处更加危险。在2005年遭受飓风丽塔袭击时，休斯顿的疏散行动导致了

4、惨烈的后果，几十人在中途因中暑、事故和公交车着火而死亡，并且造成了休斯顿历史上最严重的交通堵塞，数不尽的汽车停滞在绵延100英里的交通堵塞中。　　在更短的时间内提供更准确的预测　　现在，气象学家可以依靠数值模型来预测风速、降水、气压和其他因素，这些因素可指明飓风在其生命周期内的路径和强度。但与之不同的是，KISTI团队利用从卫星和雷达中观察到的数据来训练他们的两个深度学习系统-GlobeNet（预测台风轨迹）和DeepRain（预测强降水）。　　研究人员使用从数值模型中获取的数据来训练第三个系统，即DeepTC（预测热带

5、气旋）。　　开发KISTI深度学习系统的首席科学家Sa-kwangSong表示：“尽管这三个模型仍处于实验阶段，但现在我们的准确性已超过现有方法。”　　KISTI科学家在机构的NVIDIAGPU上运行cuDNN，利用Keras工具包和TensorFlow深度学习框架来训练自己的模型。在部署模型时，他们使用AmazonWebServices云中托管的GPU。　　到目前为止，KISTI系统可以提前一到两个小时预测台风及其相关的降雨量。该团队计划在明年将这个时间范围延长到六个小时，最终实现提前三天预测，使其真正成为生命拯救者。

6、　　　　2017年太平洋台风季中所有热带气旋的轨迹　　台风、洪水预测在行动　　在韩国，他们的工作通常需要预测临津江周边地区的洪灾，这个地区居住着该国30%的人口。韩国气象局的台风中心正在测试KISTI系统，最早明年可以进行部署。　　尽管KISTI的工作是针对韩国而设计的，但同样的方法也适用于其他任何地方。　　Joh表示：“如果我们可以获取足够的卫星和雷达数据，就可以轻松地将DeepRain和GlobeNet应用到北美地区。”