Q:
Kodėl įmonės tiekia GPU kompiuterių mokymuisi?
A:Jei skaitote apie kompiuterinį mokymąsi, turbūt daug girdite apie grafikos procesorių arba GPU naudojimą mašininio mokymosi projektuose, dažnai kaip alternatyvą centriniams procesoriams ar CPU. GPU yra naudojami kompiuteriniam mokymuisi dėl specifinių savybių, dėl kurių jie geriau suderinami su mašininio mokymosi projektais, ypač tiems, kuriems reikia daug lygiagretaus apdorojimo arba, kitaip tariant, tuo pačiu metu apdoroti kelis gijas.
| Nemokamas atsisiuntimas: mašinų mokymasis ir kodėl tai svarbu |
Yra daug būdų, kaip kalbėti apie tai, kodėl GPU tapo pageidautina kompiuteriniam mokymuisi. Vienas iš paprasčiausių būdų yra palyginti nedidelį branduolių skaičių tradiciniame procesoriuje su daug didesniu branduolių skaičiumi tipiniame GPU. GPU buvo sukurti siekiant patobulinti grafiką ir animaciją, tačiau yra naudingi ir atliekant kitus lygiagretaus apdorojimo būdus - tarp jų ir mašininį mokymąsi. Ekspertai pabrėžia, kad nors daugybė branduolių (kartais dešimtys) tipiniame GPU paprastai yra paprastesni nei mažiau procesoriaus branduolių, turintys didesnį branduolių skaičių lemia geresnes lygiagretaus apdorojimo galimybes. Tai dera su panašia „ansamblio mokymosi“ idėja, kuri paįvairina realų mokymąsi, vykstantį įgyvendinant ML projektą: Pagrindinė mintis yra, kad didesnis skaičius silpnesnių operatorių aplenktų mažesnį skaičių stipresnių operatorių.
Kai kurie ekspertai kalbės apie tai, kaip GPU pagerina slankiojo kablelio pralaidumą ar efektyviai naudoja štampuotus paviršius, arba kaip jie apdoroja šimtus kartu esančių gijų. Jie gali kalbėti apie duomenų lygiagretumo ir šakų skirtumų etalonus bei kitus darbo tipus, kuriuos algoritmai palaiko lygiagretaus apdorojimo rezultatais.
Kitas būdas pažvelgti į populiarų GPU naudojimą mokantis mašinų yra pažvelgti į konkrečias mašinų mokymosi užduotis.
Iš esmės vaizdo apdorojimas tapo pagrindine šiuolaikinės mašinų mokymosi pramonės dalimi. Taip yra todėl, kad mašininis mokymasis yra tinkamas apdoroti daugelio rūšių ypatybes ir taškų derinius, kurie sudaro vaizdų klasifikavimo duomenų rinkinius ir kurie padeda mašinai mokyti atpažinti žmones ar gyvūnus (ty kates) ar objektus regėjimo lauke. Neatsitiktinai procesoriai buvo sukurti animacijos apdorojimui ir dabar dažniausiai naudojami vaizdo apdorojimui. Vietoj grafikos ir animacijos pateikimo naudojami tie patys kelių gijų, didelės talpos mikroprocesoriai, skirti įvertinti šias grafikas ir animaciją, kad gautų naudingų rezultatų. Tai yra, užuot tik rodęs vaizdus, kompiuteris „mato vaizdus“ - tačiau abi šios užduotys veikia tais pačiais regėjimo laukais ir labai panašiais duomenų rinkiniais.
Turint tai omenyje, nesunku suprasti, kodėl įmonės naudoja GPU (ir kito lygio įrankius, tokius kaip GPGPU), kad daugiau nuveiktų su mašininiu mokymu ir dirbtiniu intelektu.
