Q:
Prečo spoločnosti získavajú GPU pre strojové učenie?
A:Ak čítate o strojovom učení, pravdepodobne veľa počúvate o použití jednotiek grafického spracovania alebo GPU v projektoch strojového vzdelávania, často ako alternatíva k jednotkám centrálneho spracovania alebo CPU. GPU sa používajú na strojové učenie kvôli špecifickým vlastnostiam, vďaka ktorým sú lepšie prispôsobené projektom strojového učenia, najmä tých, ktoré vyžadujú veľa paralelného spracovania alebo inými slovami simultánne spracovanie viacerých vlákien.
| Zdarma na stiahnutie: Strojové učenie a prečo na tom záleží |
Existuje veľa spôsobov, ako hovoriť o tom, prečo sa GPU stali žiaduce pre strojové učenie. Jedným z najjednoduchších spôsobov je porovnanie malého počtu jadier v tradičnom CPU s oveľa väčším počtom jadier v typickom GPU. GPU boli vyvinuté na zlepšenie grafiky a animácie, ale sú užitočné aj pre iné druhy paralelného spracovania - medzi nimi strojové učenie. Odborníci poukazujú na to, že hoci veľa jadier (niekedy desiatok) v typickom GPU má tendenciu byť jednoduchšie ako menšie množstvo jadier CPU, mať väčší počet jadier vedie k lepšej schopnosti paralelného spracovania. Toto je v súlade s podobnou myšlienkou „kompletného učenia“, ktorá diverzifikuje skutočné učenie, ktoré prebieha v projekte ML: Základnou myšlienkou je, že väčší počet slabších operátorov prekoná menšie počty silnejších operátorov.
Niektorí odborníci budú hovoriť o tom, ako GPU vylepšujú priechodnosť s pohyblivou rádovou čiarou alebo efektívne využívajú povrchy matríc alebo ako sa prispôsobujú stovkám súbežných vlákien pri spracovaní. Môžu hovoriť o referenčných hodnotách pre paralelnosť údajov a divergenciu vetiev a ďalšie typy práce, ktorú algoritmy podporujú pomocou výsledkov paralelného spracovania.
Ďalším spôsobom, ako sa pozrieť na populárne použitie GPU v strojovom vzdelávaní, je pozrieť sa na konkrétne úlohy strojového vzdelávania.
V zásade sa spracovanie obrazu stalo hlavnou súčasťou súčasného priemyslu strojového učenia. Je to preto, že strojové učenie sa dobre hodí na spracovanie mnohých typov funkcií a kombinácií pixelov, ktoré tvoria súbory údajov klasifikácie obrázkov, a pomáha strojovému zariadeniu rozpoznávať ľudí alebo zvieratá (tj mačky) alebo objekty vo vizuálnom poli. Nie je náhoda, že procesory boli navrhnuté na spracovanie animácií a teraz sa bežne používajú na spracovanie obrázkov. Namiesto vykreslenia grafiky a animácie sa na vyhodnotenie tejto grafiky a animácie používajú rovnaké viacvláknové a vysokokapacitné mikroprocesory, aby priniesli užitočné výsledky. To znamená, že počítač nielen zobrazuje obrázky, ale „vidí obrázky“ - obe tieto úlohy však pracujú na rovnakých vizuálnych poliach a veľmi podobných súboroch údajov.
S ohľadom na to je ľahké pochopiť, prečo spoločnosti používajú GPU (a nástroje ďalšej úrovne, ako sú GPGPU), aby urobili viac so strojovým učením a umelou inteligenciou.
