Î:
De ce companiile furnizează GPU-uri pentru învățare automată?
A:Dacă citiți despre învățare automată, probabil auziți multe despre utilizarea unităților de procesare grafică sau GPU-urilor în proiecte de învățare automată, adesea ca o alternativă la unitățile centrale de procesare sau procesoare. GPU-urile sunt utilizate pentru învățarea automată datorită proprietăților specifice care le fac mai potrivite proiectelor de învățare automată, în special a celor care necesită multă procesare paralelă sau, cu alte cuvinte, procesarea simultană a mai multor fire.
| Descărcare gratuită: învățarea mașinii și de ce contează |
Există multe modalități de a vorbi despre motivul pentru care GPU-urile au devenit de dorit pentru învățarea automată. Unul dintre cele mai simple moduri este de a contrasta numărul mic de nuclee dintr-un procesor tradițional cu un număr mult mai mare de nuclee într-un GPU tipic. GPU-urile au fost dezvoltate pentru a îmbunătăți grafica și animația, dar sunt utile și pentru alte tipuri de procesare paralelă - printre ele, învățarea mașinii. Experții subliniază că, deși numeroasele nuclee (uneori zeci) dintr-un GPU tipic tind să fie mai simple decât cele mai puține nuclee ale unui procesor, având un număr mai mare de nuclee duce la o mai bună capacitate de procesare paralelă. Aceasta se însoțește cu ideea similară de „învățare prin ansamblu”, care diversifică învățarea reală care se desfășoară într-un proiect ML: Ideea de bază este că un număr mai mare de operatori mai slabi va depăși un număr mai mic de operatori mai puternici.
Unii experți vor vorbi despre modul în care GPU-urile îmbunătățesc capacitatea de plutire sau utilizează eficient suprafețele matriței sau cum se potrivesc sute de fire simultane în procesare. Aceștia pot vorbi despre repere pentru paralelismul de date și divergența ramurilor și alte tipuri de lucrări pe care algoritmii le susțin prin rezultatele procesării paralele.
Un alt mod de a privi utilizarea populară a GPU-urilor în învățarea mașinii este să analizezi sarcini specifice de învățare automată.
În mod fundamental, procesarea imaginilor a devenit o parte majoră a industriei de învățare a mașinilor de astăzi. Acest lucru se datorează faptului că învățarea automată este potrivită pentru procesarea multor tipuri de caracteristici și combinații de pixeli care alcătuiesc seturi de date de clasificare a imaginilor și ajută mașina să se instruiască să recunoască oameni sau animale (adică pisici) sau obiecte dintr-un câmp vizual. Nu este o coincidență faptul că procesoarele au fost proiectate pentru procesarea animației și sunt utilizate în mod obișnuit pentru procesarea imaginilor. În loc de a reda grafică și animație, aceleași microprocesoare multi-thread, de mare capacitate, sunt utilizate pentru a evalua acele grafice și animații pentru a obține rezultate utile. Adică, în loc să afișeze doar imagini, computerul „vede imagini” - dar ambele sarcini lucrează pe aceleași câmpuri vizuale și seturi de date foarte similare.
Având în vedere acest lucru, este ușor de văzut de ce companiile folosesc GPU-uri (și instrumente de nivel următor, cum ar fi GPGPU-urile) pentru a face mai mult cu învățarea mașinii și inteligența artificială.
