K:
Miksi yritykset hankkivat GPU-koneita koneoppimiseen?
V:Jos luet koneoppimisesta, kuulet todennäköisesti paljon graafisen prosessointiyksikön tai GPU: n käytöstä koneoppimisprojekteissa, usein vaihtoehtona keskusyksiköille tai CPU: lle. GPU: ita käytetään koneoppimiseen erityisten ominaisuuksien takia, jotka tekevät niistä paremmin sovitettavia koneoppimisprojekteihin, etenkin niihin, jotka vaativat paljon rinnakkaisprosessointia tai toisin sanoen useiden ketjujen samanaikaista käsittelyä.
| Ilmainen lataus: Koneoppiminen ja miksi sillä on merkitystä |
On monia tapoja puhua siitä, miksi GPU: sta on tullut toivottavaa koneoppimiseen. Yksi yksinkertaisimmista tavoista on verrata pienen määrän ytimiä perinteisessä CPU: ssa paljon suuremman määrän ytimiä tyypillisessä GPU: ssa. GPU: t kehitettiin parantamaan grafiikkaa ja animaatiota, mutta ovat hyödyllisiä myös muun tyyppisissä rinnakkaisprosessoinnissa - muun muassa koneoppimisessa. Asiantuntijat huomauttavat, että vaikka tyypillisen GPU: n monet ytimet (joskus kymmeniä) ovat yleensä yksinkertaisempia kuin suorittimen vähemmän ytimiä, suuremman ytimien lukumäärän myötä parantunut rinnakkaisprosessointikyky on parempi. Tämä liittyy samanlaiseen ajatukseen "ryhmäoppimisesta", joka monipuolistaa todellista oppimista, jota ML-projektissa jatketaan: Perusajatuksena on, että suurempi määrä heikompia operaattoreita ylittää pienemmän määrän vahvempia operaattoreita.
Jotkut asiantuntijat puhuvat siitä, kuinka GPU: t parantavat liukulukujen läpimenoa tai käyttävät suulakepintoja tehokkaasti tai kuinka ne mahtuvat satojen samanaikaisten säikeiden käsittelyyn. He voivat puhua vertailuarvoista datan rinnakkaisuudelle ja haarojen divergenssille ja muulle työlle, jota algoritmit tukevat rinnakkaisten prosessointitulosten avulla.
Toinen tapa tarkastella GPU: n suosittua käyttöä koneoppimisessa on tarkastella tiettyjä koneoppimistehtäviä.
Periaatteessa kuvankäsittelystä on tullut merkittävä osa nykypäivän koneoppimista. Tämä johtuu siitä, että koneoppiminen soveltuu hyvin monen tyyppisten ominaisuuksien ja pikseliyhdistelmien käsittelyyn, jotka muodostavat kuvan luokittelutietojoukot ja auttavat koneharjoittelua tunnistamaan ihmiset tai eläimet (ts. Kissat) tai esineet näkökentässä. Ei ole sattumaa, että prosessorit on suunniteltu animaation prosessointiin, ja niitä käytetään nyt yleisesti kuvankäsittelyyn. Grafiikan ja animaation tuottamisen sijasta käytetään samoja monisäikeisiä, suuren kapasiteetin mikroprosessoreita arvioimaan näitä grafiikoita ja animaatioita hyödyllisten tulosten aikaansaamiseksi. Eli kuvien näyttämisen sijaan tietokone “näkee kuvia” - mutta nämä molemmat tehtävät toimivat samoilla näkökenttiä ja hyvin samankaltaisia tietojoukkoja.
Tätä silmällä pitäen on helppo ymmärtää, miksi yritykset käyttävät GPU: ta (ja seuraavan tason työkaluja, kuten GPGPU: t) tehdäkseen enemmän koneenoppimisessa ja tekoälyssä.
