人脸由眼睛、眉毛、鼻子、嘴巴、面颊、下巴等部件构成，正因为这些部件的形状、大小和结构上各有差异才使得世界上每个人脸千差万别，因此对这些部件形状和结构关系的精准几何描述，是分析面部信息的关键。而这些关键信息可用于面部生成、人脸识别的任务。

目前，人脸识别作为人工智能落地最广泛的技术之一，被广泛应用于金融、安防、社交娱乐、门禁/考勤、交通等领域。而人脸识别算法，已从早期以 PCA 为代表的阶段，发展到以“人工特征+分类器”为主的阶段，再到最近，伴随着深度学习算法的演进及 GPU 算力的提升，基于深度学习的人脸识别逐渐成为主流。与此同时，人脸识别的规模也从最初识别数十张人脸，发展到现在识别上百万甚至亿级别的超大规模人脸。而对于这样的超大规模识别需求，对人脸识别系统的GPU算力提出了很高的要求。

目前，对于超大规模的人脸识别系统，通常采用分布式训练方案，即数据并行 + 模型并行，在网络前面的CNN部分，采用数据并行进行人脸特征提取，而CNN最后的全连接层则采用模型并行，将参数矩阵切分到多个 GPU 上。这种方案实现相对简单，可以把模型的显存占用和计算均匀分散到每个GPU。

12月6日，超集信息联合智东西公开课策划推出「人脸识别系统搭建与面部生成算法在线研讨会」。本次研讨会邀请到InsightFace项目发起人过佳和超集信息解决方案部高级硬件工程师沈佳威参与，主讲GPU加速下的人脸识别与面部生成分布式训练。

过佳老师将以《高效率面部分析算法模型及系统搭建》为主题带来直播讲解。他首先将介绍面部分析算法的研究，之后重点剖析如何利用几行代码搭建高精度面部识别系统，并讲解面向娱乐应用的面部生成算法。最后，他会对高效率的分布式训练方法展开详细解读。

沈佳威老师将就《GPU新架构下人脸识别的训练与推理》这一主题，首先从人脸识别现状讲起，分析全新GPU下AI模型的训练和推理效果。之后他会重点讲解用于人脸识别的AI加速软件及硬件，并分享相关的应用案例。

本次研讨会将在智东西公开课知识店铺上以视频直播的形式进行。研讨会全程由主讲、问答两个环节构成。