Обзор ноутбука NVIDIA RTX STEM для студентов с ASUS TUF Dash F15

Ноутбуки Angle 2 nvidia rtx для начинающих студентов asus tuf dash f15

ASUS TUF Dash F15 Стартовая рекомендованная производителем розничная цена: 879 долларов США.
Эта программа для ноутбуков NVIDIA RTX для студентов STEM очень портативна, с хорошим дисплеем, отличной производительностью и достаточно длительным временем автономной работы.
Плюсы продукта
  • Драйверы NVIDIA ускоряют приложения STEM
  • GeForce RTX обеспечивает отличную производительность
  • Легкий 15-дюймовый форм-фактор
  • Хорошее качество сборки и быстрый дисплей

Минусы продукта
  • Среднее время автономной работы
  • Вентилятор может стать громче под нагрузкой



Когда люди думают о графических процессорах NVIDIA GeForce, первый вариант их использования, который часто приходит на ум, — это игра в новейшие игры класса ААА. Тем не менее, мощные графические процессоры компании также могут выполнять тяжелую работу в самых разных профессиональных рабочих нагрузках, от 3D-моделирования до ускоренной разработки искусственного интеллекта. В прошлом мы рассматривали мобильные рабочие станции, такие как HP ZBook Firefly 14 и ZBook Fury 15 , предназначенные для этих вариантов использования, но премиальные цены на эти машины часто недоступны для многих пользователей, не говоря уже о студентах с ограниченным бюджетом. Высокопроизводительные графические процессоры NVIDIA Quadro в этих машинах, вероятно, являются излишними для некоторых студентов инженерных специальностей, но многие из их приложений все еще нуждаются в серьезной графической мощности. Что’ Студенческая программа, которую мы сегодня изучаем.

Многие старшеклассники и студенты колледжей углубляются в дисциплины, которые могут выиграть от аппаратного ускорения графического процессора. Например, инженерам-механикам и строителям нужен MATLAB для анализа данных или SolidWorks для трехмерного моделирования. Студенты-химики могут положиться на моделирование физики в Ansys Discovery. Студентам компьютерных наук, которые изучают машинное обучение, может не понадобиться специализированный комплект разработчика Jetson AGX Orin, когда подойдет GeForce RTX 3050 с его тензорными ядрами. Даже студенты, изучающие экономику и бизнес-статистику, могут извлечь выгоду из аппаратного ускорения при программировании в R.

Приложения с ускорением nvidia gpu
NVIDIA заявляет, что ее графические процессоры являются идеальным компаньоном для самых популярных студенческих приложений STEM.

Преимущества, по словам NVIDIA, двоякие: большинство приложений с ускорением графического процессора созданы с учетом видеокарт GeForce (и Radeon), в отличие от интегрированных графических процессоров Intel или графических процессоров Apple, поддерживающих только Metal, в компьютерах Mac M1/M2. Это означает, что SolidWorks, MATLAB и многое другое можно запускать непосредственно на графическом процессоре, где много параллельной обработки и пропускной способности памяти, по сравнению с их запуском на ЦП. А благодаря ускорению графического процессора в этих приложениях производительность на порядок выше, чем у интегрированной графики с общей пропускной способностью памяти. Моделирование выполняется быстрее, анимация моделей более плавная, а статистические модели должны вычисляться раньше платформ без дискретной графики. Давайте узнаем, а?

крышка ноутбука nvidia rtx для студентов стволовых asus tuf dash f15

Ноутбук ASUS TUF Dash F15 FX517Z

Ноутбуки NVIDIA RTX для студентов STEM могут показаться чем-то, что потребует специализированных ноутбуков с сертифицированными драйверами, но, как правило, это не так. Например, компания прислала ноутбук ASUS TUF Gaming , который, по ее словам, идеально подходит для такого варианта использования: TUF Dash F15. Этот ноутбук оснащен процессором Intel Core i7-12650H с 10 ядрами и 16 потоками с технологией Hyper-Threading на шести ядрах P, а также GeForce RTX 3070 с 8 ГБ видеопамяти GDDR6. На самом деле он выглядит как довольно изящный игровой ноутбук с дисплеем IPS уровня 144 Гц Full HD 1080p, 16 ГБ двухканальной памяти DDR5 и твердотельным накопителем на 512 ГБ.

Все это оборудование также занимает мало места и занимает мало места. TUF Dash F15 имеет 15,6-дюймовый дисплей, поэтому занимаемая площадь может быть такой маленькой, но мы были приятно удивлены мобильностью системы. Этот ноутбук весит 4,4 фунта или ровно 2 килограмма и имеет три очень тонких лицевых панели. То, как спроектирован шарнир, помогает дисплею сидеть немного выше, чем у некоторых ультрапортативных компьютеров, но обеспечивает более удобное положение в течение длительного времени. Качество сборки тоже очень прочное; Корпус TUF Dash F15 изготовлен из поликарбоната, но он очень мало прогибается и приятно лежит в руках.

показать ноутбуки nvidia rtx для студентов основы asus tuf dash f15

В общежитии или дома за письменным столом учащиеся могут выбрать док-станцию, отдельный монитор и отдельные клавиатуру и мышь, но в классе нельзя обойтись без встроенной клавиатуры или трекпада. К счастью, TUF Dash F15 прекрасно оснащен клавиатурой с подсветкой, с достаточным ходом и тактильным откликом, чтобы было комфортно печатать. Клавиши блока WASD белые, поэтому их легко найти во время игры в тускло освещенной комнате, хотя для большинства инженерных приложений это немного лишнее. Под клавиатурой находится трекпад больших размеров со встроенными кнопками и поддержкой мультитач-жестов.

клавиатура ноутбуки nvidia rtx для студентов основы asus tuf dash f15

Дело в том, что студентам даже не нужно расплачиваться за такое количество оборудования, если они этого не хотят. NVIDIA рекомендует целый ряд конфигураций, начиная от систем на базе Core i5 и Ryzen 5 с графическими процессорами GeForce RTX 3050 и 3050 Ti и заканчивая мощными системами с процессорами Core i7 или Ryzen 7 H-серии и GeForce RTX 3080 Ti. графика. Компания обычно рекомендует 16 ГБ или более системной памяти и быстрый SSD, но мы рекомендуем учащимся посмотреть приложения, с которыми они будут работать, и использовать свои системные требования в качестве руководства. Несмотря на это, TUF Dash F15 должен обладать достаточной мощностью практически для любой учебной нагрузки, о которой мы говорим сегодня.

Поскольку учащиеся должны иметь свои компьютеры с собой в классе, мы определенно говорим о портативных ноутбуках. Заменители рабочего стола, такие как GE76 Raider от MSI  невероятно быстры и очень хороши, но они довольно тяжелые, чтобы таскать их из класса в класс, и время автономной работы не будет идеальным. Настольные компьютеры, безусловно, тоже имеют свое место, но ужасно сложно затащить их в обстановку лекции. Вместо этого NVIDIA сосредоточила свою программу STEM Student на машинах скромного размера с высокопроизводительной графикой, таких как TUF Dash F15. Наш тестовый образец напрямую от ASUS стоит около 1800 долларов, что намного дешевле, чем мобильные рабочие станции с графикой Quadro, но при этом обладает множеством возможностей для выполнения работы. Более средние конфигурации этой машины доступны в рознице чуть более 1000 долларов .

Ноутбуки nvidia rtx для ускорения ствола

Тестирование ноутбука NVIDIA для студентов STEM

Все это оборудование прекрасно, но если оно не приносит ощутимой пользы студентам, деньги, потраченные на его покупку, лучше потратить в другом месте. Чтобы помочь нам оценить производительность, наш TUF Dash F15 поставляется с предустановленными программами MATLAB 2022a и SolidWorks 2022, а также несколькими примерами проектов для тестирования. Тестирование для SolidWorks, очень популярного набора инструментов САПР, проводилось с общедоступной моделью Black Owl от сообщества GrabCAD с включенным MSAA. Для MATLAB, платформы программирования, используемой инженерами для разработки алгоритмов и анализа данных, мы использовали N-Body Simulation, уравнения несжимаемой жидкости Навье-Стокса и тестовые проекты Particle System, которые можно загрузить непосредственно с MathWorks.

Тестирование со встроенной графикой TUF Dash F15 показало очень низкую частоту кадров, хотя приложение никогда не было вялым или медленно реагировало. С другой стороны, GeForce RTX 3070 добавила приложению много дополнительной привлекательности, анимировав сцену со скоростью более 80 кадров в секунду. GeForce добавила много дополнительной производительности, что должно упростить использование SolidWorks и не замедлить работу пользователей, пытающихся создать модели. Отключение MSAA повысило бы производительность встроенного графического процессора, но уменьшение масштаба модели сделало ее заметно более блочной.

Графический интерфейс Matlab 1024

Matlab n моделирование тела

симулятор частиц Matlab

В MATLAB мы обнаружили, что графический процессор значительно увеличил скорость в обоих наших проектах. В тестах есть варианты запуска моделирования либо на графическом процессоре, либо на процессоре, и значения, отображаемые в каждом из них, выражаются в секундах или, что более точно, в долях секунды. На приведенных выше снимках экрана мы могли бы вычислить 0,05 секунды как 50 миллисекунд, что дает мгновенную частоту кадров 40 кадров в секунду путем деления 1000 (что эквивалентно одной секунде) на количество миллисекунд. Поэтому более низкие значения для графического процессора на этих снимках экрана лучше, потому что они быстрее выполняли каждый проход моделирования. Каждая симуляция была примерно в 3-4 раза быстрее процессора при работе на GeForce RTX 3070. Более медленные графические процессоры давали меньший прирост, но средний уровень GeForce добавлял значительный скачок.

Machine Learning With The NVIDIA RTX STEM Laptop

Очевидно, что NVIDIA также активно инвестирует в машинное обучение, поэтому мы обратили внимание на рабочие нагрузки искусственного интеллекта с ускорением на GPU. SDK NVIDIA Jetpack предназначен для использования с Linux, а не с Windows 11, с которой поставляется наша система, поэтому мы использовали подсистему Windows для Linux (WSL) версии 2 и NVIDIA Container Toolkit. Этот контейнер Docker, а также практически незаметный доступ к графическому процессору GeForce в нашем TUF Dash F15 позволили нам запустить некоторые из тех же тестов машинного обучения, что и в Jetson AGX Orin Developer Kit .

Тесты машинного обучения также могут выполняться на интегрированных графических процессорах и процессорах, поэтому эти результаты включены вместе с GeForce RTX 3070, которая, очевидно, выполняла их намного, намного быстрее. Однако мы не ожидали НАСТОЛЬКО большой разницы; в GeForce RTX 3070 была более чем в 20 раз быстрее процессора Core i7-12650H и встроенного графического процессора Intel HD Graphics.

Комплект разработки программного обеспечения NVIDIA Jetpack (SDK) — это зрелый, полнофункциональный набор инструментов для доступа ко всем инструментам ускорения машинного обучения, встроенным в последние графические процессоры GeForce. Ядра Tensor графических процессоров Turing и Ampere отлично подходят для математических вычислений с низкой точностью, обычно 16-битных операций, необходимых для обучения и вывода моделей ИИ. Однако особенность Jetpack в том, что он разработан и доступен только для Linux. К счастью, Windows 11 имеет быстрый и совместимый программный уровень в подсистеме Windows для Linux (WSL), в частности версии 2. Документация NVIDIA включает руководство по настройке WSL2 и установке необходимых контейнеров Docker, чтобы разработчики (и студенты, изучающие информатику) могли получить и работает без двойной загрузки.

Как только мы все настроим, мы сможем запустить тест обработки изображений для распознавания объектов на изображениях. Мы также могли бы использовать DirectML на Anaconda для запуска тестов на оборудовании, отличном от NVIDIA, таком как Core i7-12650H и графический процессор UHD. Это требует отключения дискретных графических процессоров, иначе DirectML будет работать на графическом процессоре GeForce RTX 3070 в ноутбуке. Тест выполняется в цикле, поэтому мы даем ему поработать около 20 минут на обеих конфигурациях, прежде чем собирать результаты.

млбенчмарк
Тесты машинного обучения, работающие в контейнере, не имеют такой яркой графики, как 3DMark, но они все равно важны.

Мы ожидали, что TUF Dash F15 превзойдет Core i7-12650H, потому что GeForce RTX 3070 имеет выделенные аппаратные ядра для ускорения таких типов рабочих нагрузок, но разница оказалась гораздо более разительной, чем мы ожидали. GeForce RTX 3070 обрабатывала около 415 изображений в секунду , в то время как встроенная графика Intel могла обрабатывать только около 15, используя тот же набор изображений. Это увеличение производительности примерно в 27,67 раз , или более чем на 2700% от производительности платформы Intel. Наличие выделенного оборудования имеет большое значение для рабочих нагрузок машинного обучения, и здесь это невероятно очевидно.

NVIDIA также включает сервер Jupyter для запуска ноутбуков на основе RAPIDS, инструментов разработки ИИ NVIDIA Cuda-X. В примере кода NVIDIA доступно несколько ноутбуков. Мы выбрали сравнение уменьшения размерности. Уменьшение размерности — это метод представления набора данных в пространстве высокой размерности в пространстве меньшей размерности без потери важных свойств данных. Подумайте об этом так: если визуализация вашего набора данных велика в пространстве, с ней трудно работать и ее может быть трудно понять. Таким образом, вы можете сгруппировать эти данные осмысленными способами, чтобы показать, что важно для данных. Блокноты декомпозиции генерируют около 100 000 записей, а затем используют 30 различных методов для визуализации разреженного набора данных, предоставляя читателю возможность контекстуализировать результаты.

декомпозиция блокнота jupyter
Блокнот Jupyter содержит документацию и код в одном файле для прохождения процесса.

Для этого теста используются два ноутбука: один для ЦП и один для использования RAPIDS для его запуска на GeForce RTX 3070. На процессоре Core i7 в нашем ноутбуке TUF Dash F15 тест занял около 125 секунд. При запуске на графическом процессоре тест завершился менее чем за 8 секунд , что обеспечило 15-кратное увеличение производительности. 100 000 записей могут быть не таким уж большим объемом данных, в зависимости от поставленной задачи, но результат кажется очевидным: специалистам по данным, пытающимся понять и визуализировать наборы данных, было бы полезно запустить эти алгоритмы на графическом процессоре, поскольку это экономит время.

Конечно, у NVIDIA также есть Maxine, SDK для глубокого обучения для Linux и Windows, ориентированный на видео- и аудиоприложения. Если вы когда-либо использовали NVIDIA Broadcast для очистки выходного сигнала веб-камеры или улучшения звука с микрофона, значит, вы использовали приложение на основе Maxine. В состав Maxine также входит SDK дополненной реальности, который использует эти аудио- и видеокомпоненты в качестве основы. Без гарнитур AR это довольно сложно протестировать, но мы могли бы попробовать инструменты обработки видео.

Мы использовали тестовое приложение Body Track и встроенную веб-камеру TUF Dash F15. Идея состоит в том, что по мере того, как камера собирает данные изображения, ИИ может нарисовать каркас, отслеживающий наши движения, и нарисовать каркас того, где, по его мнению, находится мое тело и поза, в которой я нахожусь.

трек для тела nvidia maxine
Демонстрация Body Track от NVIDIA отслеживает ваши придатки через веб-камеру.

Сначала я был одет в одну из моих фирменных клетчатых рубашек, и высококонтрастный рисунок действительно отпугивал ИИ, который думал, что я аморфный комок бескостной плоти. Как только я сменил рубашку, он начал понимать, что я делаю, и мог гораздо легче отслеживать мои движения. Без сомнения, с лучшей камерой или большим количеством данных приложение могло бы лучше выполнять высококонтрастное отслеживание цветов, но образец делает то, для чего он был разработан: доносит идею до людей. Весь код приложения написан на C++ с использованием API Maxine от NVIDIA для сбора данных кадра, а затем их анализа на различные объекты и рисования поверх тела. Тот факт, что он может делать это в режиме реального времени, довольно выдающийся.

У NVIDIA есть множество других примеров и демонстраций, а также множество других API для различных этапов ИИ, робототехники и диалогового ИИ. Мы попробовали голосовой ИИ RIVA в реальном времени, когда посмотрели на комплект разработчика Jetson AGX Orin, и тогда результаты говорили сами за себя. Функциональность TUF Dash F15 такая же плавная и быстрая: начните говорить, а модели машинного обучения сделают все остальное. Если вы хотите увидеть его в действии, посмотрите демо, которое мы записали ранее в этом году.

Учащимся также понадобятся некоторые приложения общего назначения, поэтому далее мы рассмотрим производительность системы. Срок службы батареи также важен при переходе из класса в класс, поэтому мы также взглянем на время автономной работы. Перейдите на следующую страницу, чтобы узнать больше об этой портативной мощной машине…

Источник (англ.)

Поставить оценку
Кофебрейкер | Интернет-журнал