V:
Zakaj podjetja pridobivajo GPU-je za strojno učenje?
A:Če berete o strojnem učenju, verjetno veliko slišite o uporabi enot za grafično obdelavo ali GPU-jev v projektih strojnega učenja, pogosto kot alternativa centralnim procesnim enotam ali procesorjem. GPU-ji se uporabljajo za strojno učenje zaradi specifičnih lastnosti, zaradi katerih se bolje ujemajo s projekti strojnega učenja, zlasti tistih, ki zahtevajo veliko vzporedne obdelave, ali z drugimi besedami, hkratne obdelave več niti.
| Prosti prenos: Strojno učenje in zakaj je pomembno |
Obstaja veliko načinov za pogovor o tem, zakaj so GPU postali zaželeni za strojno učenje. Eden najpreprostejših načinov je kontrastiranje majhnega števila jeder v tradicionalnem CPU-ju z veliko večjim številom jeder v tipičnem GPU-ju. GPU-ji so bili razviti za izboljšanje grafike in animacije, uporabni pa so tudi za druge vrste vzporedne obdelave - med njimi strojno učenje. Strokovnjaki poudarjajo, da čeprav so številna jedra (včasih na desetine) v tipičnem GPU preprostejša od manj jeder CPU-ja, večje število jeder vodi do boljše vzporedne zmožnosti obdelave. To je povezano s podobno idejo "ansambelskega učenja", ki razveja dejansko učenje, ki se dogaja v projektu ML: Osnovna ideja je, da bo večje število šibkejših operaterjev presegalo manjše število močnejših operaterjev.
Nekateri strokovnjaki bodo govorili o tem, kako grafični procesorji izboljšajo prepustnost plavajoče točke ali učinkovito uporabljajo matrične površine ali kako v obdelavo sprejmejo na stotine sočasnih niti. Lahko govorijo o referenčnih vrednostih za paralelizem podatkov in razhajanje podružnic ter drugih vrstah dela, ki jih algoritmi podpirajo z rezultati vzporedne obdelave.
Drug način za pregled priljubljene uporabe GPU-jev pri strojnem učenju je pregled konkretnih nalog strojnega učenja.
V osnovi je obdelava slik postala pomemben del današnje industrije strojnega učenja. To je zato, ker je strojno učenje zelo primerno za obdelavo številnih vrst funkcij in kombinacij slikovnih pik, ki sestavljajo nabore podatkov o klasifikaciji slike, in pomagajo strojnemu treningu prepoznati ljudi ali živali (tj. Mačke) ali predmete v vidnem polju. Ni naključje, da so bili procesorji zasnovani za obdelavo animacij in se zdaj pogosto uporabljajo za obdelavo slik. Namesto upodabljanja grafike in animacije se za ocenjevanje teh grafik in animacij uporabljajo isti večnamenski mikroprocesorji z veliko zmogljivostjo, da bi dobili koristne rezultate. To pomeni, da računalnik namesto da prikazuje slike, "vidi slike" - vendar obe nalogi delujeta na istih vidnih poljih in zelo podobnih naborih podatkov.
Glede na to je enostavno razbrati, zakaj podjetja uporabljajo grafične procesorje (in orodja naslednje ravni, kot so GPGPU), da naredijo več pri strojnem učenju in umetni inteligenci.
