K:
Miért vásárolnak vállalatok GPU-kat gépi tanuláshoz?
A:Ha a gépi tanulásról olvas, valószínűleg sokat hall a grafikus feldolgozó egységek vagy a GPU-k használatáról a gépi tanulási projektekben, gyakran a központi feldolgozó egységek vagy a CPU alternatívájaként. A GPU-kat a gépi tanuláshoz olyan speciális tulajdonságok miatt használják, amelyek jobban illeszkednek a gépi tanulási projektekhez, különösen azok, amelyek sok párhuzamos feldolgozást vagy más szavakkal több szál egyidejű feldolgozását igénylik.
| Ingyenes letöltés: Gépi tanulás és miért számít? |
Sokféle módon beszélhetünk arról, hogy miért váltak kívánatosak a GPU-k a gépi tanuláshoz. Az egyik legegyszerűbb módszer a kis processzormagok összehasonlítása egy hagyományos CPU-ban sokkal nagyobb magszámmal egy tipikus GPU-ban. A GPU-kat úgy fejlesztették ki, hogy javítsák a grafikát és az animációt, de hasznosak más párhuzamos feldolgozásokhoz is - köztük a gépi tanuláshoz. A szakértők rámutatnak, hogy bár a tipikus GPU-ban lévő sok mag (néha tucat) általában egyszerűbb, mint a CPU kevesebb magja, a nagyobb magszámmal rendelkezők jobb párhuzamos feldolgozási képességeket eredményeznek. Ez összeegyeztethető az „együttes tanulás” hasonló elképzelésével, amely diverzifikálja az ML projektben folyó tényleges tanulást: Az alapötlet az, hogy nagyobb számú gyengébb operátor felülmúlja kisebb számú erősebb szereplőt.
Egyes szakértők arról fognak beszélni, hogy a GPU-k hogyan javítják a lebegőpontos áteresztőképességet, vagy hatékonyan használják a szerszámfelületeket, vagy hogyan képesek befogadni a feldolgozás során egyidejű szálak százaidat. Beszélhetnek az adatok párhuzamosságának és az ágak divergenciájának referenciaértékeiről, és más olyan munkákról, amelyeket az algoritmusok támogatnak a párhuzamos feldolgozási eredményekkel.
A GPU-k gépi tanulásban népszerű használatának másik módja annak megismerése, hogy megvizsgálja a meghatározott gépi tanulási feladatokat.
Alapvetően a képfeldolgozás a mai gépi tanulás iparának jelentős részévé vált. Ennek oka az, hogy a gépi tanulás alkalmas a sokféle tulajdonság és képpont-kombináció feldolgozására, amelyek képminősítési adatkészleteket alkotnak, és segítik a gépet, hogy felismerje az embereket vagy állatokat (pl. Macskák) vagy tárgyakat a látótérben. Nem véletlen, hogy a CPU-kat animációs feldolgozásra tervezték, és manapság általánosan használják a képfeldolgozásra. A grafika és az animáció helyett ugyanaz a többszálú, nagy kapacitású mikroprocesszor kerül felhasználásra, hogy ezeket a grafikákat és animációkat hasznos eredmények elérése érdekében értékelje. Vagyis a képek megjelenítésének helyett a számítógép „látja a képeket” - de ezek a feladatok ugyanazon látványmezőn és nagyon hasonló adatkészleteken működnek.
Ezt szem előtt tartva könnyű belátni, hogy a vállalatok miért használják a GPU-kat (és a következő szintű eszközöket, például a GPGPU-kat), hogy többet tegyenek a gépi tanulással és a mesterséges intelligenciával.
