Q:
Proč společnosti získávají GPU pro strojové učení?
A:Pokud čtete o strojovém učení, pravděpodobně se hodně dozvíte o využití jednotek grafického zpracování nebo GPU v projektech strojového učení, často jako alternativa k jednotkám centrálního zpracování nebo CPU. GPU se používají pro strojové učení kvůli specifickým vlastnostem, díky nimž jsou lépe sladěny s projekty strojového učení, zejména těch, které vyžadují hodně paralelního zpracování nebo jinými slovy simultánní zpracování více vláken.
| Zdarma ke stažení: Strojové učení a proč to záleží |
Existuje mnoho způsobů, jak mluvit o tom, proč se GPU staly žádoucí pro strojové učení. Jedním z nejjednodušších způsobů je porovnání malého počtu jader v tradičním CPU s mnohem větším počtem jader v typickém GPU. GPU byly vyvinuty pro zlepšení grafiky a animace, ale jsou také užitečné pro jiné druhy paralelního zpracování - mezi nimi strojové učení. Odborníci poukazují na to, že ačkoli mnoho jader (někdy desítek) v typické GPU bývá jednodušší než méně jader CPU, mít větší počet jader vede k lepší schopnosti paralelního zpracování. To je v souladu s podobnou myšlenkou „kompletního učení“, které diverzifikuje skutečné učení, které probíhá v projektu ML: Základní myšlenkou je, že větší počet slabších operátorů překoná menší počet silnějších operátorů.
Někteří odborníci budou hovořit o tom, jak GPU vylepšují propustnost plovoucí desetinné čárky nebo efektivně používají povrchy zápustky, nebo jak přizpůsobují stovky souběžných vláken při zpracování. Mohou hovořit o měřítcích pro paralelnost dat a divergenci větví a další typy práce, kterou algoritmy podporují výsledky paralelního zpracování.
Dalším způsobem, jak se podívat na populární použití GPU ve strojovém učení, je podívat se na konkrétní úkoly strojového učení.
V zásadě se zpracování obrazu stalo hlavní součástí dnešního průmyslu strojového učení. Je to proto, že strojové učení je velmi vhodné pro zpracování mnoha typů funkcí a kombinací pixelů, které tvoří soubory dat klasifikace obrazu, a pomáhá stroji trénovat rozpoznávání lidí nebo zvířat (tj. Koček) nebo objektů ve vizuálním poli. Není náhodou, že procesory byly navrženy pro zpracování animací a nyní se běžně používají pro zpracování obrazu. Namísto vykreslování grafiky a animace se používají stejné víceprocesové, vysoce kapacitní mikroprocesory k vyhodnocení těchto grafik a animací, aby přišly s užitečnými výsledky. To znamená, že počítač pouze nezobrazuje obrázky, ale „vidí obrázky“ - oba tyto úkoly však pracují na stejných vizuálních polích a velmi podobných souborech dat.
S ohledem na to je snadné pochopit, proč společnosti používají GPU (a nástroje na další úrovni, jako jsou GPGPU), aby se více naučily strojovým učením a umělou inteligencí.
