F:
Varför köper företag GPU: er för maskininlärning?
A:Om du läser om maskininlärning hör du antagligen mycket om användningen av grafikbearbetningsenheter eller GPU: er i maskininlärningsprojekt, ofta som ett alternativ till centrala processorenheter eller processorer. GPU: er används för maskininlärning på grund av specifika egenskaper som gör dem bättre anpassade till maskininlärningsprojekt, särskilt de som kräver mycket parallellbehandling, eller med andra ord, samtidig behandling av flera trådar.
Gratis nedladdning: Machine Learning and Why It Matters |
Det finns många sätt att prata om varför GPU: er har blivit önskvärda för maskininlärning. Ett av de enklaste sätten är att kontrastera det lilla antalet kärnor i en traditionell CPU med mycket större antal kärnor i en typisk GPU. GPU: er utvecklades för att förbättra grafik och animering, men är också användbara för andra typer av parallellbehandling - bland annat maskininlärning. Experter påpekar att även om de många kärnorna (ibland dussintals) i en typisk GPU tenderar att vara enklare än de färre kärnorna i en CPU, har ett större antal kärnor en bättre parallellbehandlingsförmåga. Detta är svagt med den liknande idén om ”ensemblärande” som diversifierar det faktiska inlärningen som pågår i ett ML-projekt: Den grundläggande idén är att större antal svagare operatörer kommer att överträffa mindre antal starkare operatörer.
Vissa experter kommer att prata om hur GPU: er förbättrar genomströmningen av flytande punkter eller använder matningsytorna effektivt, eller hur de rymmer hundratals samtidiga trådar vid bearbetning. De kan prata om riktmärken för dataparallalism och grenavvikelser och andra typer av arbete som algoritmer gör stöds av parallella behandlingsresultat.
Ett annat sätt att titta på den populära användningen av GPU: er i maskininlärning är att titta på specifika maskininlärningsuppgifter.
I grund och botten har bildbehandling blivit en viktig del av dagens maskininlärningsindustri. Det beror på att maskininlärning är väl lämpad för att bearbeta de många typerna av funktioner och pixelkombinationer som utgör bilduppsättningar för bildklassificering och hjälper maskinen att träna att känna igen människor eller djur (dvs. katter) eller objekt i ett visuellt fält. Det är inte en tillfällighet att CPU: er var designade för animeringsbehandling, och nu används ofta för bildbehandling. I stället för att rendera grafik och animering, används samma multitråd, mikroprocessorer med hög kapacitet för att utvärdera den grafiken och animationen för att få fram användbara resultat. Det vill säga, istället för att bara visa bilder, "datorn" ser bilder "- men båda dessa uppgifter fungerar på samma visuella fält och mycket liknande datauppsättningar.
Med det i åtanke är det lätt att se varför företag använder GPU: er (och nästa nivåverktyg som GPGPU) för att göra mer med maskininlärning och artificiell intelligens.
